CCNet 发布 SPHERE 数据集, 应用在 自然语言处理、知识库 领域

CCNet 本次发布的数据集 SPHERE, 该数据集名为Sphere，是从单一CCNet快照的首层中创建的网络语料库，包含了1.34亿篇网络文章，生成了9.063亿个100个词元的段落。Sphere旨在促进知识密集型自然语言处理的研究，并作为知识源，使得最先进的系统能够与基于维基百科的模型相匹敌或超越。该数据集的规模包括1.34亿篇文章和9.063亿个段落，适用于知识密集型自然语言处理任务。

查看SPHERE

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。