File size: 2,548 Bytes
68bcf74 97116d3 68bcf74 97116d3 68bcf74 97116d3 68bcf74 97116d3 68bcf74 4ff4991 f99b6fd 4ff4991 f99b6fd 4ff4991 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 |
---
language:
- zh
size_categories:
- 1M<n<10M
task_categories:
- text-generation
- fill-mask
dataset_info:
features:
- name: url
dtype: string
- name: timestamp
dtype: string
- name: content_language
dtype: string
- name: content_type
dtype: string
- name: text
dtype: string
splits:
- name: train
num_bytes: 12480603148
num_examples: 2967556
download_size: 8659425404
dataset_size: 12480603148
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Dataset Card for "c4-chinese-zhtw"
## 內容
Common Crawl 是一個非營利組織，負責抓取網路並向公眾免費提供其檔案和資料集。Common Crawl 的網路檔案包含自 2008 年以來收集的 PB 級資料。它一般每月完成一次抓取。
Common Crawl 的爬蟲程式遵守 nofollow 和 robots.txt 政策。用於處理 Common Crawl 資料集的開源程式碼是公開可用的。
這個繁中的數據來是來自 [Common Crawl](https://commoncrawl.org/overview) **2023-14** 的 data archive 下載并進行清理 。
這是 [jed351](https://huggingface.co/jed351) 準備的版本，託管在這個位址：
- https://huggingface.co/datasets/jed351/Traditional-Chinese-Common-Crawl-Filtered
## 支援的任務
C4主要用於預訓練語言模型(pretrain language model)。
## 範例
一個樣本的範例:
```
{
'url': 'http://www.bilingtong.com/cpzx/96.html',
'timestamp': '2023-03-21 02:12:48',
'content_language': 'zho',
'content_type': 'text/plain',
'text': '新風系統是通過系統設計送風和排風使室內空氣存在一空氣 。無需開窗全天持續不斷有組.....'
}
```
## 資料欄位
資料有幾個欄位：
- `url`: 來源 url
- `timestamp`: 時間戳
- `content_language`: 內容包含的語言種類
- `content_type`: 內容類型，也稱為 MIME 或媒體類型，是 Web 伺服器回應標頭中的聲明
- `text`：網頁清理後的文字內容
## 數據清理
請參考在 Github 上的專案 [c4-dataset-script](https://github.com/jedcheng/c4-dataset-script) 來了解數據下載與清理的相關邏輯與程式碼。
主要的步驟有:
1. Download the WET crawl archive index file
2. Run download and Chinese screening script on Spark
3. Filter out non-sentence lines and toxic document
4. Remove duplicated text
5. Remove documents that are over self-repeating - Repetition Removal in DeepMind MassiveText
## 許可資訊
請尊循 Common Craw terms of use 的條款。
- https://commoncrawl.org/terms-of-use
|