English Wikipedia 发布 Text8 数据集, 应用在 数据压缩、自然语言处理 领域

English Wikipedia 本次发布的数据集 Text8, 该数据集名为enwik8，包含了2006年3月3日英语维基百科XML转储文件的前100兆字节内容。它通常被用来评估模型在数据压缩方面的能力。其规模达到了100兆字节，适用于数据压缩评估这一任务。

查看Text8

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。