lang-uk/uk150m

Name: lang-uk/uk150m
Creator: lang-uk
Published: 2023-05-21 21:25:29
License: 暂无描述

Hugging Face2023-05-21 更新2024-03-04 收录

下载链接：

https://hf-mirror.com/datasets/lang-uk/uk150m

下载链接

链接失效反馈

官方服务：

资源简介：

--- license: mit ---

提供机构：

lang-uk

原始信息汇总

数据集概述

许可证信息

许可证类型: MIT

lang-uk/FiftyFiveShades

这是一个用于神经机器翻译（NMT）的大规模平行语料库自动评估和过滤的方法论和框架。该数据集包含55百万英语-乌克兰语句子对的质量评分和9755对句子的人工评估结果。

Hugging Face2025-10-20 更新80

lang-uk/court-decisions-uk

该数据集包含2024年的去重乌克兰语法院判决。去重是通过局部敏感哈希(Locality Sensitive Hashing, LSH)方法实现的，阈值为0.5，从而将数据集的大小从约800万条减少到44762条记录。此外，它还包括5000个原始最高法院案件的去重数据，以及250个合成去匿名化的最高法院案件。

Hugging Face2025-04-25 更新60

lang-uk/perestoroha-ocr

Perestoroha OCR数据集包含手写索引卡，这些卡片记录了20世纪学者对17世纪早期乌克兰论战文本《Perestoroha》（作者Iov Boretskyi，于利沃夫，1605-1606年）的学术转录。卡片保留了古乌克兰语/鲁塞尼亚语的正字法，包括古旧变音符号、历史字母（ѣ, ѳ, ѵ）以及源文本独特的逐行布局。每条记录将一张300 DPI的卡片图像与行对齐的真实文本配对。

Hugging Face2026-05-26 更新20

lang-uk/malyuk

Malyuk是一个乌克兰语的文本数据集，包含超过100亿字符，但少于1000亿字符。数据集由UberText 2.0、Oscar和Ukrainian News三个子数据集组合而成，总共有113GB的文本数据，包含38941863篇文章。数据集的目的是为了简化乌克兰语言的大型语言模型（LLM）的训练。

Hugging Face2025-03-13 更新50

lang-uk/Reddit-MultiGEC

Reddit-MultiGEC数据集是一个从Reddit抓取的大型多语言语料库，使用(TBU)方法自动更正。数据集包含多种语言版本，主要有英文、德文、捷克文、意大利文等。数据集的结构包括两个主要文件：reddit_multi_gec.csv，包含原始文本和更正后的文本；reddit_uk_annotations.csv，包含1500个乌克兰语样本的人工注释。数据集适用于文本到文本生成和文本生成任务

Hugging Face2025-07-28 更新50