jorgeortizfuentes/universal_spanish_chilean_corpus

---
pretty_name: Universal Spanish Chilean Corpus
language:
- es
license: unknown
tags:
- raw_corpora
- chilean
- spanish
- multi-domain
- multi-genre
annotations_creators:
- found
task_categories:
- text-generation
- fill-mask
dataset_info:
features:
- name: text
dtype: string
- name: source
dtype:
class_label:
names:
'0': books
'1': mc4
'2': twitter
'3': news
'4': complaints
splits:
- name: train
num_bytes: 72178078787
num_examples: 37213992
download_size: 43716140329
dataset_size: 72178078787
size_categories:
- 10M<n<100M
---
# Universal Chilean Spanish Corpus

Este dataset se compone de 37_213_992 textos correspondientes a español de Chile y a español multidialectal.

Los textos en español multidialectal provienen del [spanish books](https://huggingface.co/datasets/jorgeortizfuentes/spanish_books).

Los textos en español de Chile vienen de los dominios .cl del [mc4 dataset](https://huggingface.co/datasets/mc4) y de tweets, noticias y reclamos de l [chilean-spanish-corpus](https://huggingface.co/datasets/jorgeortizfuentes/chilean-spanish-corpus)

| Name | Count | Source |
|------------|----------|-----------------------------------------------------------------------------------------------|
| books | 87967 | [spanish books](https://huggingface.co/datasets/jorgeortizfuentes/spanish_books) |
| mc4 | 8706681 | from [mc4 (.cl domains)](https://huggingface.co/datasets/mc4) in [chilean-spanish-corpus](https://huggingface.co/datasets/jorgeortizfuentes/chilean-spanish-corpus) |
| twitter | 27306583 | [chilean-spanish-corpus](https://huggingface.co/datasets/jorgeortizfuentes/chilean-spanish-corpus) |
| news | 1081542 | [chilean-spanish-corpus](https://huggingface.co/datasets/jorgeortizfuentes/chilean-spanish-corpus) |
| complaints | 31219 | [chilean-spanish-corpus](https://huggingface.co/datasets/jorgeortizfuentes/chilean-spanish-corpus) |

Los textos del dataset han sido obtenidos mediante técnicas de web crawling sin distinguir sus derechos de autor. Por lo tanto, pueden tener derechos de autor restrictivos.

原始信息汇总

数据集概述

数据集名称

• Universal Spanish Chilean Corpus

语言

• 西班牙语（es）

许可

• 未知

标签

• 原始语料库
• 智利
• 西班牙语
• 多领域
• 多体裁

标注创建者

• 发现

任务类别

• 文本生成
• 填空

数据集信息

特征

• 文本
  • 类型：字符串
• 来源
  • 类型：分类标签
    • 类别：
      • 书籍
      • mc4
      • 推特
      • 新闻
      • 投诉

分割

• 训练集
  • 字节数：72178078787
  • 示例数：37213992

下载大小

• 43716140329字节

数据集大小

• 72178078787字节

大小类别

• 10M<n<100M

数据来源

• 书籍
  • 数量：87967
• mc4
  • 数量：8706681
• 推特
  • 数量：27306583
• 新闻
  • 数量：1081542
• 投诉
  • 数量：31219

数据获取方式

• 网络爬虫技术，未区分版权
• 可能存在版权限制