razhan/riste

Riste数据集包含从nllb数据集中提取的460万条独特句子。每条句子的长度在8到500个字符之间。整个语料库包含46,467,500个单词，其中1,880,401个是唯一单词。数据集的语言是库尔德语（Central Kurdish），并且遵循ODC-BY许可证。数据集的特征包括文本字符串，并且有一个训练集，包含4,608,996个例子，总大小为547,191,151字节。

原始信息汇总

数据集概述

基本信息

• 名称: Riste
• 语言: ku (Kurdish, Central Kurdish)
• 许可证: odc-BY
• 标签: kurdi, ckb, sorani, kurdish, central kurdish
• 大小分类: 1M<n<10M

数据集特征

• 特征名称: text
• 数据类型: string

数据集分割

• 训练集:
  • 示例数量: 4,608,996
  • 数据大小: 547,191,151 bytes

下载信息

• 下载大小: 316,570,906 bytes
• 数据集大小: 547,191,151 bytes

数据集详情

• 总句子数: 4,600,000
• 最长句子长度: 500 characters
• 最短句子长度: 8 characters
• 总词数: 46,467,500
• 唯一词数: 1,880,401