README.md

---
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
dataset_info:
  features:
  - name: author
    dtype: string
  - name: title
    dtype: string
  - name: text
    dtype: string
  - name: category
    dtype: string
  splits:
  - name: train
    num_bytes: 19839577
    num_examples: 76013
  download_size: 15009797
  dataset_size: 19839577
license: mit
task_categories:
- text-generation
language:
- zh
size_categories:
- 10K<n<100K
---
# Dataset Card for "poetry-chinese-zhtw"

## 資料集摘要

中文古典文集資料庫收集了約 5.5 萬首唐詩、26 萬首宋詩、2.1 萬首宋詞和其他古典文集。詩人包括唐宋兩朝近 1.4 萬古詩人，和兩宋時期 1.5 千古詞人。

- **五代十國**- 收錄"花間集"與"南唐二主詞"
- **唐**- 收錄"全唐詩"(是清康熙四十四年，康熙皇帝主導下，蒐集羅唐詩的收藏「得詩 48,900 餘首，詩入 2,200 人」)。
- **宋**- 收錄"全宋詞"(由唐圭璋編著，孔凡禮補輯，共收錄宋代詞人 1,330 家，詞作 21,116 首)。
- **元**- 收錄元曲 11,057 篇，曲家 233 人。
- **清**- 收錄"納蘭性德詩集"

原始資料來源:
- [chinese-poetry: 最全中文诗歌古典文集数据库](https://github.com/chinese-poetry/chinese-poetry/tree/master)

## 資料下載清理

1. 下載 [chinese-poetry: 最全中文诗歌古典文集数据库](https://github.com/chinese-poetry/chinese-poetry/tree/master) 的 Repo
2. 調整資料呈現結構便於模型訓練
3. 使用 OpenCC 來進行簡繁轉換
4. 使用 Huggingface Datasets 來上傳至 Huggingface Hub

## 資料集結構

```json
{
  "author":"杜甫",
  "title":"月",
  "text":"天上秋期近，人間月影清。入河蟾不沒，搗藥兔長生。只益丹心苦，能添白髮明。干戈知滿地，休照國西營。",
  "category":"唐"
}
```

## 資料欄位

- `author`: (string) 作者
- `title`: (string) 作品名稱
- `text`: (string) 文章內容
- `category`: (string) 作品的朝代

## 如何使用

```python
from datasets import load_dataset

dataset = load_dataset("erhwenkuo/poetry-chinese-zhtw", split="train")
```

## 許可資訊

[MIT](https://zh.wikipedia.org/zh-tw/MIT%E8%A8%B1%E5%8F%AF%E8%AD%89)