巴塞罗那超级计算中心 发布 CoWeSe (Corpus Web Salud Español) 数据集, 应用在 生物医学、自然语言处理 领域

巴塞罗那超级计算中心 本次发布的数据集 CoWeSe (Corpus Web Salud Español), CoWeSe（西班牙语健康网络语料库）是由巴塞罗那超级计算中心文本挖掘单元创建的，迄今为止最大的西班牙语生物医学语料库，包含约7.5亿个令牌，总大小为4.5GB。该数据集通过2020年对3000个西班牙语网站的大规模爬虫收集而成，内容涵盖医学、科学、医疗期刊等多个领域。创建过程中，采用了定制的数据清洗流程，确保数据质量。CoWeSe主要用于西班牙语生物医学自然语言处理领域，支持特定领域的语言模型训练和词嵌入生成，旨在解决非英语生物医学数据资源稀缺的问题。

查看CoWeSe (Corpus Web Salud Español)

关于 巴塞罗那超级计算中心 , 巴塞罗那超级计算中心（Barcelona Supercomputing Center, BSC）是西班牙的国家级超级计算中心，专注于高性能计算和数据分析，支持科学研究和工程应用。

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。