SEACrowd/ccmatrix

CCMatrix数据集是由Meta从网络爬取的数据中收集并发布的。该数据集基于边缘的双语文本挖掘技术构建，适用于从数十亿句单语语料库中生成高质量的对齐翻译数据。支持的语言包括爪哇语、英语、越南语、印度尼西亚语、他加禄语、缅甸语和马来语。数据集的主要任务是机器翻译。