卢森堡大学 发布 LUXALIGN 数据集, 应用在 跨语言数据、自然语言处理 领域

卢森堡大学 本次发布的数据集 LUXALIGN, LUXALIGN数据集由卢森堡大学创建，旨在为卢森堡语提供高质量的跨语言平行数据。该数据集通过收集RTL.lu新闻平台上的新闻文章，利用OpenAI的文本嵌入模型进行语言对齐，提取了卢森堡语与英语、法语的平行句子。数据集包含25996条卢森堡语-英语和86293条卢森堡语-法语的平行数据。创建过程涉及预处理、过滤和句子对齐，旨在提升低资源语言的句子嵌入模型性能，特别是在信息检索和文档聚类等领域。

查看LUXALIGN

README 内容： 

关于 卢森堡大学 , 卢森堡大学是卢森堡唯一的一所公立大学，成立于2003年，致力于提供高质量的教育和研究。该大学在多个学科领域都有显著的研究成果，特别是在金融、信息技术和欧洲研究方面。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。