Eesti keele segakorpus: Seadused Corpus of Estonian law texts

B2FIND2026-04-29 收录

文本语料库

爱沙尼亚语自然语言处理

数据链接：

https://b2find.eudat.eu/dataset/067f7bf6-d898-5d55-acac-fa01ccd5b103 数据链接链接失效反馈

官方服务：

资源简介：

Eesti ja Euroopa seadusetekstide korpus. TEI P5 XML märgendus, UTF8 kodeering. More info at http://www.cl.ut.ee/korpused/segakorpus/seadused/ Corpus of law texts in Estonian,...

Corpus-DB

数字人文

文本语料库

Corpus-DB是一个文本语料库数据库，用于数字人文领域。该项目聚合了公共领域的文本，并从维基百科等来源增强其元数据，然后根据这些元数据提供文本访问。用户可以下载特定子集，如教育小说、狄更斯小说、1880年代出版的诗歌以及设定在伦敦的小说等。

github2019-02-02 更新410

pietrolesci/pile-deduped-pythia-preshuffled

语言模型预训练

文本语料库

这个数据集包含了完全准备好的数据，这些数据已经被标记化并预洗牌，用于训练Pythia（去重）模型。该数据集与EleutherAI组织下的EleutherAI/pile-deduped-pythia-preshuffled数据集相同，但以更易于管理的格式呈现。数据集分为143个块（parquet文件），每个块包含1024000个序列（行），对应1000个批次，每个批次由1024个序列组成。数据集包含

Hugging Face2025-03-25 更新210

tur_news_2022

土耳其新闻

文本语料库

Turkish news corpus based on material from 2022

corpora.uni-leipzig.de170

Homemade BookCorpus

文本语料库

无监督学习

这是一个用于无监督学习的大规模文本语料库，特别是用于句子编码器/解码器的学习。该数据集通过爬虫从smashwords.com收集数据，虽然收集的句子可能与原始BookCorpus部分不同，但数量大致相同。使用此新语料库时，请注明其为复制品。

github2024-05-22 更新270

koki0702/zero-llm-data

文本语料库

语言模型训练

Zero LLM数据集提供了从多个公共数据集中提取的经过清理和标准化的文本语料库，专门为书籍《从零开始深度学习❻——LLM篇》准备。每个语料库都组织在自己的目录中（如codebot/、storybot/、webbot/），以便文本数据、BPE编码数据和合并规则分组在一起。这使得数据集易于理解、导航和复现。数据集包括Python代码、TinyStories V2和OpenWebText样本，提供原始

Hugging Face2026-01-23 更新180

Eesti keele segakorpus: Seadused Corpus of Estonian law texts

资源简介：

相关数据集