LEYA实验室 发布 CleanComedy 数据集, 应用在 幽默生成、自然语言处理 领域

LEYA实验室 本次发布的数据集 CleanComedy, CleanComedy是一个专门为生成友好幽默而设计的双语（英语和俄语）数据集，由LEYA实验室和HSE大学等机构创建。该数据集包含44,481条英语笑话和40,926条俄语笑话，经过严格的毒性过滤和去重处理，确保数据集的伦理性和高质量。数据集的创建过程包括从多个来源收集笑话，使用多种模型进行毒性检测和去重，并通过人工标注对笑话进行评分。CleanComedy数据集主要应用于自然语言处理中的幽默生成任务，旨在解决现有幽默数据集中的毒性和重复问题，提升生成模型的鲁棒性和幽默质量。

查看CleanComedy

README 内容： 

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。