哈佛大学 发布 Institutional Books 1.0 数据集, 应用在 机构藏书、自然语言处理 领域

哈佛大学 本次发布的数据集 Institutional Books 1.0, Institutional Books 1.0 是一个由哈佛图书馆的藏品组成的大型数据集，包含了2420亿个token的公共领域书籍。该数据集由哈佛法学院图书馆、图书馆创新实验室和哈佛图书馆合作创建，旨在为大型语言模型（LLMs）提供高质量的训练数据。数据集涵盖了1,075,899卷，使用250多种语言编写，总共有约2500亿个token。其中，983,004卷被认为是公共领域的，包括原始和后处理的OCR提取文本以及书目、来源和生成的元数据。数据集涵盖了多个世纪，其中60%的内容是在1820年至1920年间出版的。该数据集可用于文学、法律、哲学、科学等领域的训练，旨在解决大型语言模型训练数据稀缺的问题。

查看Institutional Books 1.0

Dataset card 内容： 

Files and versions 内容： 

关于 哈佛大学 , 哈佛大学是美国的一所著名私立研究型大学，位于马萨诸塞州的剑桥市。该校成立于1636年，是美国历史上第三古老的高等教育机构。哈佛大学在多个学术领域都有卓越的成就，其图书馆系统是美国最古老的图书馆系统之一，藏书量居世界大学图书馆之首位。

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。