Beijing Academy of Artificial Intelligence 发布 IndustryCorpus_sports 数据集, 应用在 体育行业、预训练数据 领域

Beijing Academy of Artificial Intelligence 本次发布的数据集 IndustryCorpus_sports, 该数据集是通过应用22个行业数据处理操作符，从超过100TB的开放源数据集中筛选出的3.4TB高质量多行业分类的中英文预训练数据集。数据包括1TB的中文数据和2.4TB的英文数据，并进行了12种类型的标签标注，涵盖18个行业类别，如医疗、教育、文学、金融等。数据集还进行了基于规则和模型的过滤以及文档级别的去重处理，以提高数据质量和模型性能。

查看IndustryCorpus_sports

Dataset card 内容： 

Files and versions 内容： 

关于 Beijing Academy of Artificial Intelligence , 智源研究院（BAAI）是中国顶尖的人工智能研究机构，致力于推动AI基础理论与应用创新。

关于 HuggingFace , Hugging Face是一个机器学习社区协作平台，专注于模型、数据集和应用程序的创建、发现和协作。该平台支持多种数据类型，包括文本、图像、视频、音频和3D数据，并提供开源工具和付费计算及企业解决方案。