TCM Book Corpus

TCM-Pretrain-Data-ShizhenGPT 数据集截取中医药预训练数据-石珍GPT（TCM-Pretrain-Data-ShizhenGPT）数据集截取

搜集汇总

背景与挑战

背景概述

TCM Book Corpus是一个专用于中医领域的预训练文本语料库，包含3,256本经过清理的教科书，约5亿词元。该数据集基于FreedomIntelligence公开的原始数据整理而成，主要用于支持中医相关的自然语言处理研究，使用时需引用原作者工作。