CASIA 发布 ChineseWebText 数据集, 应用在 中文文本、机器翻译 领域

CASIA 本次发布的数据集 ChineseWebText, 该数据集是从CommonCrawl数据中提取的单语种中文质量数据集，根据人工制定的规则进行了筛选。在筛选过程中，考虑了数据长度、敏感词汇以及中文字符的比例。该数据集的规模达到了530吉字节，其任务旨在为机器翻译进行预训练。

查看ChineseWebText

Dataset card 内容： 

Files and versions 内容： 

关于 CASIA , CASIA是中国科学院自动化研究所的英文缩写，是中国在模式识别、智能系统等领域的重要研究机构。

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。