five

SEACrowd/nllb_seed

收藏
Hugging Face2024-06-24 更新2024-03-04 收录
下载链接:
https://hf-mirror.com/datasets/SEACrowd/nllb_seed
下载链接
链接失效反馈
官方服务:
资源简介:
NLLB Seed数据集是一组来自维基百科领域的专业翻译句子。该数据集从维基百科的“每个维基百科应该有的文章列表”中抽取,涵盖了不同领域的知识。NLLB Seed包含大约6000个句子,涉及39种语言。该数据集主要用于机器翻译任务的训练,而非模型评估,因此未经过FLORES-200中的人类质量保证过程。
提供机构:
SEACrowd
原始信息汇总

Nllb Seed 数据集概述

数据集简介

Nllb Seed 是一组在维基百科领域内专业翻译的句子集合。数据采样自维基媒体的“每个维基百科应有的文章列表”,这是一个涵盖不同知识领域和人类活动的主题集合。Nllb Seed 包含约六千个句子,涵盖39种语言。该数据集旨在用于训练而非模型评估。因此,Nllb Seed 不经过 FLORES-200 中的人工质量保证流程。

语言

  • ace
  • bjn
  • bug
  • eng

支持的任务

  • 机器翻译

数据集使用方法

使用 datasets

python from datasets import load_dataset dset = datasets.load_dataset("SEACrowd/nllb_seed", 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("nllb_seed", schema="seacrowd")

检查数据集的所有可用子集(配置名称)

print(sc.available_config_names("nllb_seed"))

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

Nllb Seed 数据集主页

数据集版本

  • 源版本:1.0.0
  • SEACrowd 版本:2024.06.20

数据集许可证

CC-BY-SA 4.0

引用

如果您在使用 Nllb Seed 数据加载器,请引用以下内容: plaintext @article{nllb2022, author = {NLLB Team, Marta R. Costa-jussà, James Cross, Onur Çelebi, Maha Elbayad, Kenneth Heafield, Kevin Heffernan, Elahe Kalbassi, Janice Lam, Daniel Licht, Jean Maillard, Anna Sun, Skyler Wang, Guillaume Wenzek, Al Youngblood, Bapi Akula, Loic Barrault, Gabriel Mejia Gonzalez, Prangthip Hansanti, John Hoffman, Semarley Jarrett, Kaushik Ram Sadagopan, Dirk Rowe, Shannon Spruit, Chau Tran, Pierre Andrews, Necip Fazil Ayan, Shruti Bhosale, Sergey Edunov, Angela Fan, Cynthia Gao, Vedanuj Goswami, Francisco Guzmán, Philipp Koehn, Alexandre Mourachko, Christophe Ropers, Safiyyah Saleem, Holger Schwenk, Jeff Wang}, title = {No Language Left Behind: Scaling Human-Centered Machine Translation}, year = {2022} }

@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