KPWr Annotation Guidelines - Spatial Expressions (2.0)

B2FIND2026-04-29 收录

语义标注

多语言自然语言处理

数据链接：

https://b2find.eudat.eu/dataset/212da29e-5446-5a31-a5a2-0c20134f4f1a 数据链接链接失效反馈

官方服务：

资源简介：

An enhanced version of spatial expressions annotation guidelines describing the process of manual annotation of documents in Polish Corpus of Wrocław University of Technology...

CLUECorpus2020

多语言自然语言处理

预训练数据

CLUECorpus2020是由CLUE组织创建的大型中文语料库，旨在支持语言模型的预训练和语言生成。该数据集包含100GB的原始文本，总计350亿个中文字符，来源于Common Crawl。数据集被分为训练、开发和测试集，每个文件都遵循预训练格式。创建过程中，通过详细的过滤和提取规则，确保数据质量。CLUECorpus2020广泛应用于中文自然语言处理任务，如语言理解和生成，旨在提升模型在中文环

arXiv2020-03-05 更新3520

vietnamese-news-copus-segmented

多语言自然语言处理

文本分类

越南新闻语料库（清洁与分词版）是一个经过精细处理的越南新闻文章集合，原始数据来源于`ademax/binhvq-news-corpus`。该数据集通过专门的管道进行了清洗、标准化和分词处理，非常适合用于训练越南语语言模型（LLMs）、词嵌入或文本分类任务。数据集包含一个字段：`text`（字符串类型），即经过清洁和分词的越南语文本。数据集规模为7,770,638个训练样本。数据处理流程包括HTML

Hugging Face2026-03-30 更新130

jamesagilesoda/CulturaX-ko-5000000-5999999

韩语文本语料

多语言自然语言处理

该数据集包含1,000,000个训练示例，每个示例包括文本、时间戳、URL和来源信息。数据集总大小为5,258,989,480字节，下载大小为3,118,481,809字节。数据文件路径为data/train-*。

Hugging Face2024-06-18 更新50

Skywork/ChineseDomainModelingEval

多语言自然语言处理

模型评估

Skywork/ChineseDomainModelingEval是中文领域建模能力评测数据集，我们对多个领域筛选出2023年9月份-2023年10月份新发布的几百到上千篇高质量文章，并人工进行了核对。测试数据的来源也足够广泛，质量也高。我们可以选取当前最新的文章评测不同模型的Perplexity，模型很难作弊。并且我们会持续按照最新数据评测各个模型效果，动态更新各个模型能力。

Hugging Face2023-11-02 更新440

2007 CoNLL Shared Task - Basque, Catalan, Czech & Turkish

多语言自然语言处理

依存句法分析

Country, University of the Basque; Catalunya, Technical University of; University, Charles; University, Middle East Technical; University, Sabanci, 2022, "2007 CoNLL Shared Task - Basque, Catalan, Cze

Abacus90

KPWr Annotation Guidelines - Spatial Expressions (2.0)

资源简介：

相关数据集