Riksarkivet/mini_cleaned_diachronic_swe

瑞典历时语料库是一个由Swe-Clarin资助的项目，提供了从古瑞典语到现代的文本语料库。数据集经过预处理，可以从提供的源代码链接重新创建。数据集的元数据包括手动转录或OCR后校正的文本、无乱序句子以及15至19世纪的起源年份。数据集分为训练集和测试集，分别包含352137和7187个实例。

原始信息汇总

数据集概述

数据集信息

• 特征:

  • 名称: chunked_text
  • 数据类型: string

• 数据分割:

  • 测试集 (test):
    • 字节数: 14891546.825140134
    • 样本数: 8410
  • 训练集 (train):
    • 字节数: 729669858.1748599
    • 样本数: 412081

• 下载大小: 480496204

• 数据集大小: 744561405.0

• 许可证: MIT

• 语言: 瑞典语 (sv)

• 标签: 历史 (historical), 进行中 (WIP)

• 名称: Kbuhist2

• 大小类别: 1M<n<10M

数据集摘要

该数据集已根据以下元数据进行过滤:

• 手动转录或后OCR校正
• 无乱序句子
• 起源年份: 15-19世纪

数据分割

• 训练集: 352137
• 测试集: 7187

致谢

我们衷心感谢 SWE-clarin 提供的数据集。

引用信息

Eva Pettersson 和 Lars Borin (2022) Swedish Diachronic Corpus In Darja Fišer & Andreas Witt (eds.), CLARIN. The Infrastructure for Language Resources. Berlin: deGruyter. https://degruyter.com/document/doi/10.1515/9783110767377-022/html