UMBC 发布 WebBase 数据集, 应用在 自然语言处理、文本数据 领域

UMBC 本次发布的数据集 WebBase, 该数据集是一个大规模的英语语料库，包含了大约30亿个标记，被用于评估所提出的WEQ方法。在预处理后，词汇量达到了277,704个单词。该数据集的规模为30亿个标记，适用于多种任务，包括词语相似度计算、文本分类和命名实体识别。

查看WebBase

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。