SEACrowd/indo4b

Indo4B是一个大规模的印尼语自监督预训练语料库，包含约36亿单词和2.5亿句子。该语料库涵盖了正式和非正式的印尼语句子，来源于12个不同的数据源，其中两个主要包含印尼语的非正式用法，八个包含正式印尼语，其余则混合了正式和非正式用法。

Indo4B is a large-scale Indonesian self-supervised pre-training corpus, containing approximately 3.6 billion words and 250 million sentences. This corpus covers both formal and informal Indonesian sentences, sourced from 12 distinct data sources. Among them, two sources primarily feature informal Indonesian usage, eight sources contain formal Indonesian, and the remaining sources are a mix of formal and informal usage.

原始信息汇总

数据集概述

名称： Indo4B

类型： 大规模印度尼西亚语自监督预训练语料库

主要用途： 用于自监督预训练，适用于自然语言处理和机器学习模型训练。