polyglot-tagger/nlp-noise-snippets

---
license: apache-2.0
task_categories:
- text-classification
size_categories:
- 100K<n<1M
---

# Synthetic Noise Pool

For Text Classification purposes, as many models may consider code snippets, html artifacts, and math as "English".

Around 50K are latex snippets from `im2latex-100k`

许可证：Apache 2.0
任务类别：
- 文本分类
规模类别：
- 10万<样本数<100万

# 合成噪声池（Synthetic Noise Pool）

本数据集旨在服务于文本分类任务，因诸多模型可能将代码片段、HTML 残留标记以及数学表达式误判为“英语”。

其中约5万条样本为来自`im2latex-100k`的LaTeX片段。