发布 Spanish Corpus 数据集, 应用在 自然语言处理、机器学习 领域

本次发布的数据集 Spanish Corpus, 该数据集是一个为训练西班牙语BERT模型而收集的大型语料库，它包含了来自维基百科以及OPUS项目多个来源的文本，这些来源包括联合国和政府期刊、TED演讲、字幕以及新闻故事。这个语料库是对Cardellino在2016年编译版本的更新，其规模与原始BERT训练语料库相当，大约包含30亿个单词。该数据集的任务是预训练一个基于BERT的语言模型。

查看Spanish Corpus

README 内容： 

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。