发布 CC-Stories 数据集, 应用在 自然语言处理、文本清理 领域

本次发布的数据集 CC-Stories, 该数据集是经过清理和去重的CC-Stories数据集。去重包括数据集内部去重以及与OpenWebText2数据集的交叉去重。此外，数据集还进行了去污染处理，去污染的标准是基于n-gram重叠的多个基准测试。数据集包含689,509个样本，下载的parquet文件大小为14G。

查看CC-Stories

Dataset card 内容： 

Files and versions 内容： 

关于 , 国庆学校是一所位于中国的教育机构，专注于提供基础教育服务。学校致力于培养学生的综合素质，注重学术与品德的全面发展。

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。