procesaur/smece

SMEĆE数据集是一个用于文本生成和文本分类任务的数据集，特别是用于训练垃圾文本分类模型。该数据集包含大约15亿个“单词”，这些文本是在准备其他语料库时被标记为垃圾或样板文本的。数据集的语言是塞尔维亚语（sr），并且提供了相关的引用和许可证信息。

原始信息汇总

数据集概述

• 名称: SMEĆE
• 语言: 塞尔维亚语 (sr)
• 大小: 10亿至100亿之间
• 配置:
  • 默认配置:
    • 数据文件:
      • stars: stars.boiler.txt
      • train: *.boiler.txt
• 任务类别:
  • 文本生成
  • 文本分类
• 许可证: CC-BY-SA-4.0

数据集描述

• 内容: 该数据集包含在准备其他语料库时标记为垃圾/样板文件的文本。
• 规模: 约15亿个“单词”。
• 用途: 可用于训练样板文件分类模型。

相关数据集

• S.T.A.R.S: 包含13,289篇来自NARDUS的论文，用于塞尔维亚语的真实文本语料库。
• Kišobran veb korpus: 塞尔维亚语中最大的语料库。