Web Archive Singapore 发布 Web Archive Singapore WARC Files 数据集, 应用在 网络档案管理、自然语言处理 领域

Web Archive Singapore 本次发布的数据集 Web Archive Singapore WARC Files, 该数据集包含了112个WARC文件，这些文件经过GPT-4o处理，以生成元数据，重点在于降低成本和提高元数据生成的效率。此外，该数据集展示了大型语言模型（LLMs）在生成元数据方面的有效性，同时突显了内容不准确和虚构等挑战。规模上，数据集包含了112个文件，任务是对网络档案进行元数据生成。

查看Web Archive Singapore WARC Files

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。