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