MLDataScientist/Uzbek_news_dataset

这是一个乌兹别克语新闻数据集，包含512,750篇文章（总字数超过1.2亿，使用拉丁字母书写），这些文章是从2023年网络上抓取的。数据集由9个乌兹别克新闻网站和新闻门户的文章组成，涵盖了政治、体育、娱乐、技术等多个类别。该数据集的主要用途是用于乌兹别克语的文本分类和大型语言模型的微调。

原始信息汇总

数据集概述

基本信息

• 许可证: cc-by-4.0
• 数据集名称: Uzbek News Articles
• 语言: Uzbek
• 任务类别: text-generation
• 大小类别: 100K<n<1M

数据集特征

• folder: 字符串类型
• title: 字符串类型
• text: 字符串类型
• title_len: 整数类型
• text_len: 整数类型

数据集拆分

• 训练集:
  • 示例数量: 512,750
  • 数据大小: 1126829322字节

下载与数据集大小

• 下载大小: 590025488字节
• 数据集大小: 1126829322字节

数据来源

• 数据集包含512,750篇文章，总计超过120 million字，来源于9个乌兹别克新闻网站和新闻门户。
• 涵盖政治、体育、娱乐、科技等多个类别。
• 所有文本均使用拉丁字母。