lst20

LST20语料库专注于泰语语言处理，由泰国国家电子和计算机技术中心（NECTEC）开发。它提供词边界、词性标注、命名实体、子句边界和句子边界五个语言注释层，包含3164002个单词、288020个命名实体、248181个子句和74180个句子，并使用16个不同的词性标签进行注释。所有3745篇文档还标有15种新闻类型之一。LST20语料库支持词性标注、命名实体识别标注、子句分割、句子分割和单词标记等任务。该数据集允许非商业用途，研究和开源，但修改和重新分发数据集在未经语料库作者授权的情况下是被严格禁止的。