Indonesia Wikipedia Pages

kaggle2023-01-07 更新2024-03-07 收录

Wikipedia

印度尼西亚语

数据链接：

https://www.kaggle.com/datasets/greegtitan/indonesia-wikipedia-pages 数据链接链接失效反馈

官方服务：

资源简介：

Preprocessed Wikipedia Pages From Wikipedia Database Dump.

源自维基百科数据库转储的预处理维基百科页面

创建时间：

2022-12-02

SEACrowd/nerp

实体识别

印度尼西亚语

NERP数据集（Hoesen和Purwarianti，2018）包含从多个印度尼西亚新闻网站收集的文本，具有五个标签：PER（人名）、LOC（地名）、IND（产品或品牌名称）、EVT（事件名称）和FNB（食品和饮料名称）。NERP数据集使用IOB分块格式，类似于TermA数据集。该数据集主要用于命名实体识别任务。

Hugging Face2024-06-24 更新410

SEACrowd/indonli

自然语言处理

印度尼西亚语

该数据集名为Indonli，专为自然语言推理（NLI）任务设计，特别针对印尼语。它通过明确包含各种语言现象（如数值推理、结构变化、习语、时间和空间推理）来提供一个具有挑战性的测试平台。数据集支持的任务是文本蕴含（Textual Entailment）。

Hugging Face2024-06-24 更新240

SEACrowd/singgalang

实体识别

印度尼西亚语

Singgalang是一个基于规则的印尼语命名实体识别（NER）数据集，包含48,957个句子或1,478,286个标记。标注遵循Stanford-NER格式，涵盖Person、Organisation和Place三个NER标签。数据集由41,297、14,770和82,179个实体标记组成，分别来自14、6和5条规则。数据集支持的任务是命名实体识别，并提供了使用`datasets`和`seacr

Hugging Face2024-06-24 更新220

Ti-Ma/wikipedia_2018

Wikipedia

时间序列分析

该数据集是基于截至2018年12月31日的Wikipedia数据构建的。通过选择每年12月31日的最新修订版本，确保数据集反映了每年年底Wikipedia上最新的信息。数据集经过清理，去除了文件链接、强调、注释、缩进、HTML、引用等不需要的特征和属性。数据集适用于历时研究、历史LLM预训练以及需要严格时间划分数据的任务。

Hugging Face2024-04-26 更新300

wikilite

Wikipedia

离线搜索

该数据集提供了预处理的SQLite数据库，用于Wikilite工具，支持离线搜索和访问Wikipedia内容。支持的语言包括撒丁语、意大利语、西班牙语和英语。数据集结构为每种语言存储为一个单独的压缩文件。使用方法包括下载、解压缩数据库、安装Wikilite、运行Wikilite以及访问Web界面。Wikilite工具具有快速灵活的词汇搜索、增强的语义搜索、离线访问、命令行界面和Web界面等功能。

Hugging Face2024-12-30 更新230

Indonesia Wikipedia Pages

资源简介：

相关数据集