kazakh-leipzig-corpora

kaggle2020-04-06 更新2024-03-11 收录

下载链接：

https://www.kaggle.com/datasets/zhaseke/kazakhleipzigcorpora

下载链接

链接失效反馈

官方服务：

资源简介：

The Leipzig Corpora Collection

莱比锡语料库合集（Leipzig Corpora Collection）

创建时间：

2020-04-06

Leipzig Corpora Collection

Leipzig Corpora Collection（莱比锡语料库）是一个多语言语料库和词典资源平台。该项目由莱比锡大学自1990年代中期开始建设，基于网络爬虫和文本挖掘技术构建。该平台提供超过250种语言的文本语料库和1000多个基于语料库的词典，涵盖广泛的语言统计分析和词汇资源。

知名数据库4970

Sanatbek/uzbek-kazakh-parallel-corpora

# To download: - from datasets import load_dataset - uz_dev = load_dataset("Sanatbek/uzbek-kazakh-parallel-corpora", split="train[:13373]") (*10%*) - uz_test = load_dataset("Sanatbek/uzbek-kaza

Hugging Face2023-08-02 更新90

VladislavKaryukin/kk_en_corpora: The Kazakh - English parallel corpora

The full corpora of 380 thousand parallel sentences

Zenodo2022-09-27 更新00

imvladikon/leipzig_corpora_collection

Leipzig Corpora Collection数据集提供了多种语言的语料库，这些语料库使用相同的格式和可比较的来源。所有数据都以纯文本文件的形式提供，并且可以通过提供的导入脚本导入到MySQL数据库中。这些语料库的格式相同，大小和内容相似，包含随机选择的句子，句子数量从10,000到1百万不等。数据来源主要是报纸或网络文本，文本被分割成句子，非句子和外语材料已被移除。此外，数据还包含了单词共

Hugging Face2023-11-12 更新940

Bretagne/leipzig_corpora_br

Leipzig Corpora Collection提供了不同语言的语料库，这些语料库使用相同的格式和可比较的来源。所有数据以纯文本文件形式提供，并可以通过提供的导入脚本导入MySQL数据库。这些语料库旨在供语料库语言学家进行科学研究，以及用于知识提取程序等应用。语料库在格式上相同，在大小和内容上相似。它们包含随机选择的句子，句子数量从10,000到1百万不等，来源为报纸或网络文本。文本被分割成句

Hugging Face2025-03-29 更新50