neurotatarlar/tt-crawl

为了促进低资源语言的研究，我们发布了TatarCrawl数据集，这是一个包含来自近15个不同来源的鞑靼语网络新闻材料的语料库。

原始信息汇总

数据集概述

名称：TatarCrawl

语言：Tatar (tt)

许可证：Apache-2.0

多语言性：单语种

大小：100K<n<1M

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

配置：

• 默认配置：
  • 数据文件：
    • 分割：news_noisy
      • 路径：train/news_noisy_*
    • 分割：news_clean
      • 路径：train/news_clean_*

标签：

• Tatar
• 爬虫
• 新闻

描述：TatarCrawl数据集是一个网页新闻语料库，包含来自近15个独特来源的Tatar语言材料，旨在促进低资源语言的研究。