kobe73er/shiji-translation-dataset

这个数据集包含了《史记·七十列传》的古文和对应的现代文翻译。数据集采用 JSONL 格式，每行包含现代文、古文和翻译指令。总条目数为14,115条，来源于《史记·七十列传》。该数据集可用于古文翻译模型训练、文言文理解以及中文自然语言处理研究。

This dataset contains the classical Chinese and corresponding modern Chinese translations of Shiji·Seventy Biographies. The dataset is in JSONL format, with each line containing: - `input`: modern Chinese - `output`: classical Chinese - `instruction`: translation instruction. The total number of entries in the dataset is 14,115, sourced from Shiji·Seventy Biographies. The dataset can be used for training classical Chinese translation models, understanding classical Chinese, and research in Chinese natural language processing.

搜集汇总

数据集介绍

构建方式

在古典文献数字化领域，该数据集以《史记·七十列传》为源文本，通过系统性的对齐处理构建而成。其构建过程首先从权威版本中提取古文原文，随后由专业学者或经过严格校验的翻译流程生成对应的现代汉语译文，确保翻译的准确性与一致性。最终，数据被整理为结构化的JSONL格式，每条记录均包含古文、现代文及明确的翻译指令，形成了可直接用于机器学习的平行语料。

特点

作为古文翻译领域的专项资源，该数据集的核心特点在于其高度的专业性与纯净度。它专注于《史记》这一经典史籍的七十列传部分，提供了超过1.4万条精准对齐的古文-现代文句对，覆盖了丰富的历史叙事与人物传记内容。数据格式清晰统一，直接服务于古文到现代文的翻译任务，为模型训练提供了高质量、高难度的领域特定语料，有效弥补了通用翻译数据在古典汉语处理上的不足。

使用方法

在自然语言处理研究中，该数据集主要用于训练和评估古文翻译模型。使用者可直接加载JSONL文件，利用‘input’字段的现代文作为源语言，‘output’字段的古文作为目标语言，结合‘instruction’字段的提示进行有监督的序列到序列学习。它适用于微调预训练语言模型，以提升其对文言文的生成与理解能力，也可作为测试基准，用于衡量模型在古典文献翻译任务上的性能。

背景与挑战

背景概述

在数字人文与计算语言学交叉领域，古典文献的现代化转译是连接传统智慧与现代技术的关键桥梁。由kobe73er于近期构建的“史记七十列传翻译数据集”，聚焦于司马迁《史记》中“七十列传”部分的古文与现代汉语之间的翻译对齐。该数据集由独立研究者或小型学术团队创建，旨在通过结构化数据形式，系统性地呈现文言文与白话文的对应关系，以支持古文机器翻译、文言文自动理解等核心研究问题。其出现不仅为古籍数字化提供了高质量的语料资源，也推动了中文自然语言处理在历史文本分析方向的发展，对文化遗产的智能传承具有显著影响力。

当前挑战

该数据集致力于解决古典汉语与现代汉语之间的自动翻译问题，其核心挑战在于文言文语法结构的凝练性、一词多义的普遍性以及历史文化专有名词的准确转换，这些语言特性使得机器翻译模型难以捕捉深层语义与风格特征。在构建过程中，挑战同样显著：原始《史记》文本的版本差异与断句歧义需要精细的文献校勘；人工翻译环节要求译者兼具深厚的古文素养与现代语言表达能力，以确保翻译的准确性与一致性；此外，大规模对齐数据的标注成本高昂，且需克服文言文稀疏数据带来的模型训练困难。

常用场景

经典使用场景

在古典文献数字化与自然语言处理交叉领域，该数据集为古文翻译模型的训练与评估提供了核心资源。通过《史记·七十列传》的古文与现代文平行语料，研究者能够构建端到端的翻译系统，专门处理文言文与现代汉语之间的转换任务。这一场景不仅促进了机器对古典文本的语义解析能力，还为跨时代语言对齐研究奠定了数据基础，使得自动翻译技术得以深入历史文献的智能处理层面。

解决学术问题

该数据集有效应对了古典汉语机器翻译中数据稀缺与语言差异的挑战。它为解决文言文语法结构复杂、词汇多义性高等学术问题提供了标准化语料，支持了古文自动翻译、跨时代语言理解模型的开发。其意义在于推动了计算语言学与数字人文的融合，使研究者能够量化分析古代汉语的演变规律，并为文化遗产的智能保存与传播提供了关键技术支撑。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，包括基于神经网络的古文翻译模型架构优化、跨时代汉语语义表示学习等。例如，部分研究利用该平行语料训练序列到序列模型，显著提升了文言文翻译的流畅性与准确性；另一些工作则聚焦于古文词嵌入与现代汉语的对比分析，探索语言历时演变的计算模型。这些成果进一步拓展了古典文本处理的技术边界，并促进了相关开源工具的开发。