Beijing Academy of Artificial Intelligence 发布 IndustryCorpus_film 数据集, 应用在 电影行业、预训练数据 领域

Beijing Academy of Artificial Intelligence 本次发布的数据集 IndustryCorpus_film, 该数据集是为了解决行业模型训练数据集存在的问题，通过构建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3.4TB的高质量多行业分类中英文预训练数据集。筛选后的数据包含1TB的中文数据和2.4TB的英文数据，并对中文数据进行了12种类型的标签标注。数据集涵盖18个行业类别，包括医疗、教育、文学、金融等，并详细列出了每个行业的数据大小。为了用户方便，数据集被分割成18个行业的子数据集，当前描述的是电影行业的子数据集。

查看IndustryCorpus_film

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。