MLRS/korpus_malti

Korpus Malti是一个马耳他语的通用语料库，包含来自不同领域/体裁的马耳他语文本。数据集主要用于文本生成和掩码语言建模任务。数据集分为两种配置：一种是默认的随机打乱数据，另一种是按领域划分的数据。数据集没有额外的注释，实例仅包含文本字段。数据集的创建者包括Albert Gatt等人，并且数据集遵循CC BY-NC-SA 4.0许可。Korpus Malti is a general-purpose Maltese language corpus containing Maltese text from diverse domains and genres. This dataset is primarily intended for text generation and masked language modeling tasks. It provides two configurations: one is the default randomly shuffled data, and the other is domain-partitioned data. There are no additional annotations in the dataset, and each instance only contains a text field. The dataset was created by Albert Gatt et al., and it is licensed under the CC BY-NC-SA 4.0 license.

原始信息汇总

数据集概述

基本信息

• 名称: Korpus Malti
• 语言: 马耳他语 (mt)
• 多语言性: 单语种
• 大小: 10M<n<100M
• 注释创建者: 无注释
• 语言创建者: 发现
• 来源数据集: 原始
• 任务类别:
  • 文本生成
  • 填充掩码
• 任务ID:
  • 语言建模
  • 掩码语言建模
• 许可证: CC-BY-NC-SA-4.0

数据集内容

• 描述: 该数据集包含马耳他语的各种体裁/领域的文本。
• 配置:
  • 默认配置 ("shuffled"): 所有体裁的文本混合并打乱，不保留句子顺序。
  • 域分割数据: 特定配置下的数据未被打乱，保留文档级别的句子顺序。

数据集使用

• 加载示例:

  • 默认配置: python import datasets dataset = datasets.load_dataset("MLRS/korpus_malti")

  • 特定配置 (例如 Wikipedia 部分): python import datasets dataset = datasets.load_dataset("MLRS/korpus_malti", "wiki")

数据集实例

• 默认配置实例: json { "text": "Din hija sentenza." }

• 域分割数据实例: json { "text": ["Din hija sentenza.", "U hawn oħra!"], }

许可证信息

• 许可证: 创意共享署名-非商业性使用-相同方式共享 4.0 国际许可 (CC-BY-NC-SA-4.0)