pythainlp/thai-wiki-dataset-v3

该数据集收集了所有泰语维基媒体项目的文本数据，并进行了清洗。这些项目包括维基百科、维基语录、维基教科书、维基文库和维基词典。该数据集可用于RAG和预训练模型。

原始信息汇总

数据集概述

数据集名称

• 名称: thai-wiki-dataset-v3

数据集配置

• 默认配置:
  • 数据文件:
    • 分割: train
    • 路径: data/train-*

数据集信息

• 特征:
  • 名称: title
    • 数据类型: string
  • 名称: text
    • 数据类型: string
  • 名称: source
    • 数据类型: string
  • 名称: index_level_0
    • 数据类型: int64
• 分割:
  • 名称: train
    • 字节数: 1255848857
    • 样本数: 196533
• 下载大小: 429985288
• 数据集大小: 1255848857

许可证

• 许可证: cc-by-sa-3.0

任务类别

• 任务类别: text-generation

语言

• 语言: th

大小类别

• 大小类别: 100K<n<1M