procesaur/Vikipedija

该数据集名为Srpska Vikipedija，包含塞尔维亚语及其他南斯拉夫语言（如克罗地亚语、斯洛文尼亚语、马其顿语等）的维基百科文章。数据集总共有1,660,410个文档，包含超过4.2亿个单词。每个文档以JSON格式存储，段落通过双换行符分隔，句子在段落内有明确的分隔。数据集来源于维基媒体数据集，并且提供了每种语言的文档数量、句子数量和单词数量的详细统计。Wikipedia in Serbian (and other South-slavic languages) version 1.11.2023 - derived from Wikimedia dataset. A total of 1,660,410 documents containing over 420 million words. Each document is represented by a JSON line. Paragraphs are separated via double new line ( ). Each Sentence in a document is delimited.