赫尔辛基大学 发布 Wanca 2017 corpus 数据集, 应用在 乌拉尔语言、计算语言学 领域

赫尔辛基大学 本次发布的数据集 Wanca 2017 corpus, Wanca 2017 corpus是由赫尔辛基大学数字人文系创建的数据集，旨在为罕见的乌拉尔语言提供文本资源。该数据集包含从互联网爬取的1,515,068行文本，经过处理后得到447,927个相关语言的句子。数据集的创建过程涉及文本的下载、语言识别和去重等步骤。Wanca 2017 corpus主要用于乌拉尔语言识别（ULI）2020共享任务，以解决乌拉尔语言在计算语言学中的识别问题。

查看Wanca 2017 corpus

关于 赫尔辛基大学 , 赫尔辛基大学是芬兰最古老、最大的学术机构，提供广泛的学科教育和研究，位于芬兰首都赫尔辛基。

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。