anhaltai/fincorpus-de-10k

FinCorpus-DE10k是一个包含12,235个PDF文件的金融文档语料库，主要涉及证券说明书等金融文档。这些文档主要是德语的（71%），其余为双语（德语和英语）。数据集旨在促进金融领域的文本分析、语言建模和文档理解任务。数据集包含多个集合，如年度报告、月度报告、基础说明书、最终条款和法律文档等。数据集的使用许可主要为CC BY-NC 4.0，部分文档为CC BY-NC-ND 4.0。数据集的结构包括文件名和文本两个特征，每个实例对应一个.txt文档。

原始信息汇总

数据集概述

名称: FinCorpus-DE10k

描述: FinCorpus-DE10k 是一个包含12,235个PDF文件的语料库，主要包含金融文档，如证券招股说明书，以及大约10,500个这些文档的纯文本文件。文档主要使用德语（71%），其余为德英双语。该数据集旨在促进金融领域的文本分析、语言建模和文档理解等任务。

语言: 德语（DE），双语（德语和英语）

许可证: 大部分内容遵循CC BY-NC 4.0，部分如月度和年度报告遵循CC BY-NC-ND 4.0。

数据集组成

数据集配置:

• Annual_reports: 包含Bundesbank和其他机构的年度（及部分季度）报告。
• BBK_monthly: 包含德国Bundesbank的838个月度报告，从1949年到2022年。
• Base_prospectuses: 包含发行人信息、证券描述和招股说明书摘要。
• Final_terms: 详细说明金融证券发行的条款和条件，主要由德国Bundesbank收集。
• Law: 包含金融及相关领域的德国法律，包括一些英文翻译。

数据集大小: 总下载大小为271752073字节，总数据集大小为946487016字节。

数据集用途

直接用途: 该数据集适用于开发和测试专门针对金融领域的NLP模型，包括信息提取、命名实体识别和专业语言模型等。

数据集结构

数据集特征:

• filename: 数据类型为字符串。
• text: 数据类型为字符串。

数据集分割:

• train: 包含10402个示例，总字节数为946487016。