官方服务：
资源简介：
Documentation of the Hocank project (DoBeS project)
应用场景：
相关数据集
IGC-2022-1
冰岛语Gigaword语料库（IGC）是一个包含近24亿词的8个子语料库集合。其中部分子语料库以开放许可（CC-BY）发布，包括期刊、法律、新闻1、议会、社交和维基等子集。每个子集可能包含两个或多个子语料库。此数据集以jsonl格式存储，每个文件包含一篇新闻文章或议会会议等。每行是一个JSON对象，包含文档全文、随机生成的ID、作者、转换时间戳、原始XML文件ID、发布时间戳、标题、段落和句子偏移
Hugging Face2025-05-28 更新90
Komnzo text corpus
This dataset contains a zip-file of the most up to date version of the Komnzo text corpus. The original footage files can be found here at Zenodo or under: Döhler, C. 2010-2015. DoBeS Documentat
Zenodo2024-09-02 更新50
SINM-OTP5 - East Kola'a Ridge, Honiara
unknown unknown The Solomon Islands National Museum licenses the use of this recording for non-commercial educational purposes. Please acknowledge them and PARADISEC in any use of this material. Digit
Research Data Australia40
commoncrawl/gneissweb-annotation-host-testing-v1
GneissWeb注释数据集是一个应用于Common Crawl语料库的质量和类别注释数据集，由IBM Research的GneissWeb方法提供支持。该数据集支持对医疗、教育、技术和科学领域网络内容的精确过滤，便于为研究项目、语言模型和专业应用构建高质量语料库。数据集包含两个层次的注释粒度：主机级别（整个域的聚合统计）和URL级别（单个URL分类）。数据集利用了IBM公开提供的GneissWe
Hugging Face2025-12-11 更新50
CH3-091700Xi - 1700 items, recorded by X
1700 items, recorded by X. Language as given: Mro Khimi [cmr]
Research Data Australia50
