Beijing Academy of Artificial Intelligence 发布 IndustryCorpus_travel 数据集, 应用在 行业模型、数据预处理 领域

Beijing Academy of Artificial Intelligence 本次发布的数据集 IndustryCorpus_travel, 该数据集是为了改善行业模型性能而构建的，包含3.4TB的高质量多行业分类中英文预训练数据，其中1TB为中文数据，2.4TB为英文数据。数据集通过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而来，并进行了12种类型的标签标注，包括字母数字比、平均行长度、语言置信度分数等。数据集涵盖18个行业类别，并进行了基于规则和模型的过滤以及文档级别的去重。通过在医疗行业示范模型上的训练，验证了数据集的性能，显示了20%的客观性能提升和82%的主观胜率。

查看IndustryCorpus_travel

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。