Standardized Project Gutenberg Corpus
收藏OpenDataLab2026-05-24 更新2024-05-09 收录
下载链接：
https://opendatalab.org.cn/OpenDataLab/Standardized_Project_Gutenberg_etc
下载链接
链接失效反馈官方服务：
资源简介：
标准化项目古腾堡语料库 (SPGC) 是一种开放科学方法，用于整理包含超过 50,000 本书和超过 3×109 个单词标记的完整 PG 数据的精选版本。
Standardized Project Gutenberg Corpus (SPGC) is an open-science initiative that provides a curated version of the full Project Gutenberg (PG) dataset, which contains over 50,000 books and more than 3 × 10⁹ word tokens.
提供机构：
OpenDataLab
创建时间：
2022-05-23
搜集汇总
数据集介绍
背景与挑战
背景概述
标准化项目古腾堡语料库 (SPGC) 是一个精选的开放科学数据集，包含超过50,000本书和30亿单词标记，主要用于自然语言统计分析和定量语言学研究。该数据集由米兰大学和西北大学于2018年12月19日发布，适用于文本预训练、异常检测和信息检索等领域。
以上内容由遇见数据集搜集并总结生成
