相关数据集
S-VideoXum
S-VideoXum数据集是一个扩展的VideoXum数据集，用于脚本驱动的视频摘要。该数据集包含了从VideoXum中提取的大量视频及其人类标注的摘要，并为每个视频的摘要添加了自然语言描述。这些描述是通过使用LLaVA-NeXT-7B大型多模态模型生成的。数据集的目的是支持脚本驱动的视频摘要研究，通过提供视频、摘要和摘要描述的三元组，可以训练模型生成适应不同用户需求的视频摘要。S-VideoXu
arXiv2025-05-06 更新470
Sindhi语言大型语料库
本研究为资源匮乏的Sindhi语言开发了一个包含超过6100万单词的大型语料库。该语料库通过网络爬虫从多个网络资源中收集，并经过精心预处理以过滤噪声文本。语料库的创建解决了Sindhi语言在自然语言处理（NLP）领域缺乏大规模未标注语料的问题，为训练神经词嵌入提供了基础。此外，本研究还利用了GloVe、Skip-Gram和Continuous Bag of Words等先进的词2vec算法来生成S
arXiv2020-12-30 更新160
freococo/myanmar-written-corpus
缅甸书面语料库是一个包含高质量缅甸书面文本的全面集合，用于支持缅甸自然语言处理（NLP）的研究和开发。该语料库包含1000万句文本，采用Parquet格式，并遵循CC0 1.0许可协议。它适用于训练NLP模型、文本转语音、自动语音识别、机器翻译和文本生成等多种应用。
Hugging Face2025-05-22 更新70
Thanmay/xquad-hi
该数据集包含多个特征，如id、标题、上下文、问题、答案、答案起始位置、类别、聚类、最近聚类和最近页面。这些特征以不同的数据类型存储，包括字符串、整数序列和结构化数据。数据集仅包含一个验证集，大小为36745196字节，包含1190个示例。数据集的下载大小为1189437字节。
Hugging Face2024-06-28 更新190
