孟加拉工程技术大学 发布 Bangla2B+ 数据集, 应用在 自然语言处理、低资源语言 领域

孟加拉工程技术大学 本次发布的数据集 Bangla2B+, Bangla2B+是一个专为低资源语言Bangla设计的预训练数据集，由孟加拉工程技术大学的研究团队创建。该数据集通过爬取110个流行的Bangla网站，收集了约27.5GB的数据，涵盖了百科全书、新闻、博客、电子书、故事和社交媒体等多种内容。创建过程中，研究团队对数据进行了彻底的去重和过滤，确保了数据的质量。Bangla2B+数据集主要用于支持Bangla语言的自然语言理解应用，特别是在零样本跨语言转移学习方面，旨在提升Bangla语言在自然语言处理领域的应用和研究。

查看Bangla2B+

README 内容： 

关于 孟加拉工程技术大学 , 孟加拉工程技术大学（Bangladesh University of Engineering and Technology，简称BUET）是孟加拉国最顶尖的工程和科技类大学之一，成立于1912年，位于首都达卡。该校提供广泛的工程、建筑和科技领域的本科和研究生课程，是该国工程和科技教育的重要中心。

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。