yasalma/tt-crawl

---
annotations_creators:
- no-annotation
language:
- tt
license: apache-2.0
multilinguality:
- monolingual
size_categories:
- 100K<n<1M
task_categories:
- text-generation
- fill-mask
task_ids:
- language-modeling
- masked-language-modeling
pretty_name: TatarCrawl
configs:
- config_name: default
data_files:
- split: news_noisy
path: train/news_noisy_*
- split: news_clean
path: train/news_clean_*
tags:
- tt
- crawl
- news
---

### Dataset Summary

In an effort to democratize research on low-resource languages, we release TatarCrawl dataset, a web news corpus consisting of materials from nearly 15 unique sources in the Tatar Language.

To load and use dataset, run this script:

```python
from datasets import load_dataset

tt_crawl=load_dataset("neurotatarlar/tt-crawl")
```

annotations_creators:
- 无标注（no-annotation）
language:
- 鞑靼语（tt）
license: Apache-2.0
multilinguality:
- 单语（monolingual）
size_categories:
- 10万 < n < 100万
task_categories:
- 文本生成
- 掩码填充
task_ids:
- 语言建模
- 掩码语言建模
pretty_name: TatarCrawl
configs:
- 配置名称：默认（default）
数据文件:
- 拆分：带噪声新闻（news_noisy）
路径：train/news_noisy_*
- 拆分：干净新闻（news_clean）
路径：train/news_clean_*
tags:
- tt
- 爬取（crawl）
- 新闻（news）

### 数据集概览
为推动低资源语言研究的民主化发展，我们发布了鞑靼爬取（TatarCrawl）数据集。该数据集为鞑靼语网络新闻语料库，其内容源自近15个独立新闻来源。

若要加载并使用该数据集，请运行以下脚本：
python
from datasets import load_dataset

tt_crawl=load_dataset("neurotatarlar/tt-crawl")