five

SEACrowd/bhinneka_korpus

收藏
Hugging Face2024-06-24 更新2024-06-29 收录
下载链接:
https://hf-mirror.com/datasets/SEACrowd/bhinneka_korpus
下载链接
链接失效反馈
官方服务:
资源简介:
Bhinneka Korpus数据集是一个包含五种印度尼西亚地方语言的平行数据集,通过志愿者驱动的翻译策略构建,涵盖了印度尼西亚-英语对的句子和词汇术语。数据集总计包含16,000个句子,其中两种语言各有4,000个句子对,其他语言各有约3,000个句子,还包括一个Beaye语言的词汇数据集。由于Beaye语言未被记录,使用day代码代表该语言。该数据集主要用于机器翻译任务。

Bhinneka Korpus数据集是一个包含五种印度尼西亚地方语言的平行数据集,通过志愿者驱动的翻译策略构建,涵盖了印度尼西亚-英语对的句子和词汇术语。数据集总计包含16,000个句子,其中两种语言各有4,000个句子对,其他语言各有约3,000个句子,还包括一个Beaye语言的词汇数据集。由于Beaye语言未被记录,使用day代码代表该语言。该数据集主要用于机器翻译任务。
提供机构:
SEACrowd
原始信息汇总

Bhinneka Korpus 数据集概述

数据集简介

Bhinneka Korpus 是一个用于五种印度尼西亚地方语言的平行数据集,通过志愿者驱动的翻译策略构建,涵盖了印度尼西亚语-英语对和词汇术语。该数据集包含总计16,000个句子的平行数据,其中4,000个句子对用于两种印度尼西亚地方语言,约3,000个句子用于其他语言,以及一个用于Beaye语言的词汇数据集。由于Beaye是一种未记录的语言,目前没有关于其语言代码的信息,因此使用“day”(兰达亚克语族的语言代码)来代表该语言。

语言

  • abs
  • aoz
  • day
  • mak
  • mkn

支持的任务

  • 机器翻译

数据集使用

使用 datasets

python from datasets import load_dataset dset = datasets.load_dataset("SEACrowd/bhinneka_korpus", trust_remote_code=True)

使用 seacrowd

python import seacrowd as sc

使用默认配置加载数据集

dset = sc.load_dataset("bhinneka_korpus", schema="seacrowd")

检查数据集的所有可用子集(配置名称)

print(sc.available_config_names("bhinneka_korpus"))

使用特定配置加载数据集

dset = sc.load_dataset_by_config_name(config_name="<config_name>")

数据集主页

https://github.com/joanitolopo/bhinneka-korpus

数据集版本

  • 源版本: 1.0.0
  • SEACrowd版本: 2024.06.20

数据集许可证

Apache 许可证 2.0 (apache-2.0)

引用

如果您在工作中使用了 Bhinneka Korpus 数据集加载器,请引用以下内容:

@misc{lopo2024constructing, title={Constructing and Expanding Low-Resource and Underrepresented Parallel Datasets for Indonesian Local Languages}, author={Joanito Agili Lopo and Radius Tanone}, year={2024}, eprint={2404.01009}, archivePrefix={arXiv}, primaryClass={cs.CL} }

@article{lovenia2024seacrowd, title={SEACrowd: A Multilingual Multimodal Data Hub and Benchmark Suite for Southeast Asian Languages}, author={Holy Lovenia and Rahmad Mahendra and Salsabil Maulana Akbar and Lester James V. Miranda and Jennifer Santoso and Elyanah Aco and Akhdan Fadhilah and Jonibek Mansurov and Joseph Marvin Imperial and Onno P. Kampman and Joel Ruben Antony Moniz and Muhammad Ravi Shulthan Habibi and Frederikus Hudi and Railey Montalan and Ryan Ignatius and Joanito Agili Lopo and William Nixon and Börje F. Karlsson and James Jaya and Ryandito Diandaru and Yuze Gao and Patrick Amadeus and Bin Wang and Jan Christian Blaise Cruz and Chenxi Whitehouse and Ivan Halim Parmonangan and Maria Khelli and Wenyu Zhang and Lucky Susanto and Reynard Adha Ryanda and Sonny Lazuardi Hermawan and Dan John Velasco and Muhammad Dehan Al Kautsar and Willy Fitra Hendria and Yasmin Moslem and Noah Flynn and Muhammad Farid Adilazuarda and Haochen Li and Johanes Lee and R. Damanhuri and Shuo Sun and Muhammad Reza Qorib and Amirbek Djanibekov and Wei Qi Leong and Quyet V. Do and Niklas Muennighoff and Tanrada Pansuwan and Ilham Firdausi Putra and Yan Xu and Ngee Chia Tai and Ayu Purwarianti and Sebastian Ruder and William Tjhi and Peerat Limkonchotiwat and Alham Fikri Aji and Sedrick Keh and Genta Indra Winata and Ruochen Zhang and Fajri Koto and Zheng-Xin Yong and Samuel Cahyawijaya}, year={2024}, eprint={2406.10118}, journal={arXiv preprint arXiv: 2406.10118} }

5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作