Standardized_Project_Gutenberg_etc

displayName: Standardized Project Gutenberg Corpus
labelTypes:
- English Corpus
license:
- CC BY 4.0
mediaTypes:
- Text
paperUrl: https://arxiv.org/pdf/1812.08092v1.pdf
publishDate: "2018-12-19"
publishUrl: https://github.com/pgcorpus/gutenberg-analysis
publisher:
- University of Milan
- Northwestern University
tags:
- Text
taskTypes:
- Anomaly Detection
- Information Retrieval

---
# 数据集介绍
## 简介
标准化项目古腾堡语料库 (SPGC) 是一种开放科学方法，用于整理包含超过 50,000 本书和超过 3×109 个单词标记的完整 PG 数据的精选版本。
## 引文
```
@article{gerlach2020standardized,
title={A standardized Project Gutenberg corpus for statistical analysis of natural language and quantitative linguistics},
author={Gerlach, Martin and Font-Clos, Francesc},
journal={Entropy},
volume={22},
number={1},
pages={126},
year={2020},
publisher={Multidisciplinary Digital Publishing Institute}
}
```

## Download dataset
:modelscope-code[]{type="git"}

展示名称：标准化古腾堡语料库（Standardized Project Gutenberg Corpus，SPGC）
标签类型：英语语料库
许可协议：知识共享署名4.0（CC BY 4.0）
媒体类型：文本
论文链接：https://arxiv.org/pdf/1812.08092v1.pdf
发布日期：2018年12月19日
发布链接：https://github.com/pgcorpus/gutenberg-analysis
发布机构：米兰大学（University of Milan）、西北大学（Northwestern University）
标签：文本
任务类型：异常检测、信息检索

---

# 数据集介绍
## 简介
标准化古腾堡语料库（SPGC）采用开放科学范式，对完整的古腾堡（Project Gutenberg）项目数据集进行精选整理，该语料库涵盖超过5万部书籍与3×10⁹个单词标记（Token）。
## 引文

@article{gerlach2020standardized,
title={A standardized Project Gutenberg corpus for statistical analysis of natural language and quantitative linguistics},
author={Gerlach, Martin and Font-Clos, Francesc},
journal={Entropy},
volume={22},
number={1},
pages={126},
year={2020},
publisher={Multidisciplinary Digital Publishing Institute}
}

## 数据集下载
:modelscope-code[]{type="git"}