SEACrowd/malaysia_ai_hansard

Malaysia AI Hansard Scrape数据集包含来自马来西亚议会网站的142,766个PDF文件。每个文件都有一个对应的JSON文件，其中包含标记为original的文本、页码no_page和actual_no_page、文档的date以及原始PDF的url。数据集的语言为zlm，支持的任务是自监督预训练。