RUCAIBox/Erya-dataset

该数据集包含三个主要部分：monolingual.tgz、trans.tgz和finetune.tgz。monolingual.tgz包含大量的古汉语句子；trans.tgz包含古汉语与现代汉语对齐的平行语料库；finetune.tgz选取了某些经典书籍作为基准，同样包含古汉语与现代汉语对齐的句子。trans.tgz和finetune.tgz的数据不重叠。

原始信息汇总

数据集概述

数据集文件

1. monolingual.tgz

   • 内容：包含大量古代汉语句子。

2. trans.tgz

   • 内容：结合多种类型的平行语料，包含古代汉语句子与现代汉语句子的对齐。

3. finetune.tgz

   • 内容：选取特定古典书籍作为基准，包含古代汉语句子与现代汉语句子的对齐。

数据集特点

• trans.tgz 与 finetune.tgz 中的数据不重叠。

许可证

• 本数据集遵循 Apache-2.0 许可证。

任务类别

• 数据集适用于翻译和文本生成任务。