anke01/uyghur-dictionary-dataset

---
language:
- ug
- zh
- en
license: apache-2.0
library_name: datasets
tags:
- translation
- dictionary
- uyghur
- chinese
- english
- multilingual
task_categories:
- translation
size_categories:
- 1M<n<10M
---

# 维吾尔语多语言词典数据集

维吾尔语-汉语-英语多语言词典数据集，适用于大型语言模型(LLM)微调训练。

## 数据集统计

| 数据集 | 条目数 | 大小 | 语言方向 |
|--------|--------|------|----------|
| `ug-cn.jsonl` | 3,079,016 | 456 MB | 维吾尔语 ⟷ 汉语 |
| `ug-en.jsonl` | 685,836 | 108 MB | 维吾尔语 ⟷ 英语 |
| `en-ug.jsonl` | 705,534 | 112 MB | 英语 ⟷ 维吾尔语 |
| `ug-ug.jsonl` | 139,920 | 46 MB | 维吾尔语释义 |
| `cn-cn.jsonl` | 127,646 | 39 MB | 汉语释义 |

**总计**: 4,737,952 条（双向）/ 约 236 万唯一对

## 数据格式

```json
{
"instruction": "请翻译以下维吾尔语词汇",
"input": "مەركىزى",
"output": "中心的，中央的"
}
```

字段说明：
- `instruction`: 任务指令
- `input`: 输入文本
- `output`: 输出文本

## 使用示例

```python
import json

with open('uyghur_data/output/ug-cn.jsonl', 'r', encoding='utf-8') as f:
for line in f:
data = json.loads(line)
print(f"输入: {data['input']}")
print(f"输出: {data['output']}")
```

## 数据来源

- Gheyret 词典 (~37万条)
- Tilkan 词典数据库 (150MB)
- Bilkan 词典 (5方向)
- Online Dictionary (~33万条)

## 文件位置

```
uyghur_data/output/
├── ug-cn.jsonl # 维汉数据集
├── ug-en.jsonl # 维英数据集
├── en-ug.jsonl # 英维数据集
├── ug-ug.jsonl # 维维释义
└── cn-cn.jsonl # 汉汉释义
```

---
**版本**: 1.0 | **更新**: 2025-03-01