pythainlp/scb-mt-en-th-2020_mt-opus

该数据集是一个大型的英语-泰语平行语料库，包含来自网络和机器生成的文本。数据集的特征包括英语（en）和泰语（th）的字符串类型数据。数据集分为训练集和测试集，训练集包含3,887,916个样本，测试集包含431,989个样本。数据集的下载大小为290,416,500字节，总大小为984,534,106字节。数据集的许可证为cc-by-sa-3.0，任务类别为翻译，语言为泰语和英语，大小类别为1M<n<10M。

原始信息汇总

数据集概述

数据集名称

• scb-mt-en-th-2020_mt-opus

数据集特征

• en: 数据类型为字符串
• th: 数据类型为字符串

数据集分割

• train: 包含3887916个样本，占用875585812字节
• test: 包含431989个样本，占用108948294字节

数据集大小

• 下载大小: 290416500字节
• 数据集总大小: 984534106字节

许可

• cc-by-sa-3.0

任务类别

• 翻译

语言

• 泰语 (th)
• 英语 (en)

大小类别

• 1M<n<10M