谢里夫理工大学 发布 naab 数据集, 应用在 自然语言处理、大型文本数据集 领域

谢里夫理工大学 本次发布的数据集 naab, naab是谢里夫理工大学计算机工程系创建的Farsi语言最大的清洁文本数据集，包含约130GB数据，2.5亿段落和150亿单词。数据集名称源自Farsi语中的纯和高等级。内容涵盖广泛，包括正式和非正式文本，古典和现代文本，散文和诗歌等。创建过程涉及多个现有数据集的整合和清洁，使用流式处理方法简化预处理。该数据集主要用于Farsi语言的自然语言处理研究，支持自监督学习模型如Transformer的微调，有助于推动Farsi语言的NLP技术发展。

查看naab

Dataset card 内容： 

Files and versions 内容： 

关于 谢里夫理工大学 , 谢里夫理工大学是伊朗的一所著名理工科大学，位于德黑兰，以其在工程和技术领域的教育和研究而闻名。

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。