PM INDIA "Mann ki Baat"

kaggle2020-09-01 更新2024-03-07 收录

多语言文本处理

Indian Languages NLP

数据链接：

https://www.kaggle.com/datasets/taruntiwarihp/pm-india-mann-ki-baat 数据链接链接失效反馈

官方服务：

资源简介：

7 Indic Languages NLP

7种印度语支语言自然语言处理（Natural Language Processing，NLP）

创建时间：

2020-09-01

TDT3 Multilanguage Text Version 2.0

多语言文本处理

主题检测与跟踪

Introduction Topic Detection and Tracking (TDT) refers to automatic techniques for finding topically related material in streams of data such as newswire and broadcast news. The TDT3 corpus was create

DataONE2023-06-15 更新380

patrikgerard/combined_uk_ru_dataset_v3

多语言文本处理

机器学习

该数据集包含多个特征，包括唯一标识符（unique_id）、输入（input）、分类（classification）和原始数据集（original_dataset）。数据集分为训练集和测试集，训练集包含16417个样本，测试集包含1824个样本。数据集的总下载大小为8831638字节，总数据集大小为18666794字节。

Hugging Face2024-07-12 更新150

CL4Lang

跨语言抄袭检测

多语言文本处理

该数据集用于跨语言抄袭检测评估，包含来自4种语言（俄语、亚美尼亚语、西班牙语和英语）的维基百科文章子集。查询部分包含每种语言的维基百科文档，这些文档的句子通过Google Translate API从集合中翻译而来，并带有XML标记。数据集的目的是帮助开发跨语言抄袭检测方法。

Hugging Face2024-10-10 更新120

wikipedia-RuDataset

多语言文本处理

语言模型训练

RuDataset是一个用于训练语言模型的俄语数据集，特别适用于聊天格式的训练。该数据集包含了从维基百科中提取的文章，这些文章已经过清理和格式化，去除了元数据和特殊字符，并进行了文本规范化处理。数据集以Parquet格式存储，使用Snappy压缩和UTF-8编码。它适用于LLM训练、fine-tuning、创建embeddings和模型测试。

Hugging Face2025-01-23 更新310

NTB_pre

多语言文本处理

文本分类

这是一个俄语文本数据集，包含少于1000个样本，适用于文本分类和文本摘要任务。

Hugging Face2025-11-28 更新130