News Crawl 2012
收藏arXiv2025-09-30 收录
官方服务：
资源简介：
该数据集是一个单语料库，用于多种语言，但值得注意的是，芬兰语采用的是2014年的新闻爬虫数据。此外，该数据集被用于分析数据量对嵌入质量的影响。每个语言随机提取了5万句作为研究样本。该数据集的主要任务是跨语言的词嵌入研究。
This dataset is a multilingual monolingual corpus. Notably, the Finnish subset uses 2014 news crawl data. Additionally, this dataset is employed to analyze the impact of dataset scale on embedding quality. For each language, 50,000 sentences are randomly extracted as research samples. The primary task of this dataset is cross-lingual word embedding research.
提供机构：
WMT
