pythainlp/thai-open-data-go-th

该数据集收集了来自data.go.th网站（仅限CC-BY许可证）的所有文本，并对数据进行了预处理以供预训练模型使用。数据集包括多个子集，如民间玩具、民间故事、ARDA博客、泰国仪式、泰国旧社区区域、泰国水族馆和泰国鱼类数据库等。数据集的结构包括文本和元数据特征，以及训练集分割。

原始信息汇总

数据集概述

数据集信息

• 特征:

  • text: 数据类型为字符串。
  • meta: 结构化数据，包含以下字段:
    • domain: 数据类型为字符串。
    • license: 数据类型为字符串。
    • source: 数据类型为字符串。
    • title: 数据类型为字符串。

• 数据分割:

  • train: 包含4,531,638字节的数据，共有2,349个样本。

• 下载大小: 1,489,789字节。

• 数据集大小: 4,531,638字节。

配置

• 默认配置:
  • 数据文件路径: data/train-*。

许可证

• 许可证: CC-BY-3.0。

任务类别

• 任务类别: 文本生成。

语言

• 语言: 泰语。

数据集大小类别

• 大小类别: 1K<n<10K。