复旦大学自然语言处理实验室 发布 CBooks 数据集, 应用在 自然语言处理、语言模型 领域

复旦大学自然语言处理实验室 本次发布的数据集 CBooks, 该数据集名为CBooks，是通过开源MD5书籍链接收集的大规模中文书籍语料库，为语言建模提供了宝贵的长距离上下文信息。此外，该数据集因提升了连贯叙事和长距离上下文建模的能力而受到认可。其规模超过10万本图书，旨在用于大型语言模型的预训练任务。

查看CBooks

README 内容： 

关于 复旦大学自然语言处理实验室 , 复旦大学自然语言处理实验室（FudanNLPLAB）是复旦大学下属的一个研究机构，专注于自然语言处理领域的研究，包括语言模型、文本分析、信息抽取、机器翻译等多个研究方向。

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。