wiki40b

  • 説明:

ページの 40 以上の Wikipedia 言語版のクリーンアップ テキストがエンティティに対応します。データセットには、言語ごとにトレーニング/開発/テストが分割されています。データセットはページ フィルタリングによってクリーンアップされ、曖昧さ回避ページ、リダイレクト ページ、削除されたページ、および非エンティティ ページが削除されます。各例には、エンティティの wikidata ID と、非コンテンツ セクションと構造化オブジェクトを削除するページ処理後の完全な Wikipedia 記事が含まれています。このコーパスでトレーニングされた言語モデル (41 の単言語モデルと 2 つの多言語モデルを含む) は、 https://tfhub.dev/google/collections/wiki40b-lm/1で見つけることができます。

FeaturesDict({
    'text': Text(shape=(), dtype=string),
    'version_id': Text(shape=(), dtype=string),
    'wikidata_id': Text(shape=(), dtype=string),
})
  • 機能ドキュメント:
特徴クラスDタイプ説明
特徴辞書
文章文章
バージョンID文章
ウィキデータID文章
@inproceedings{49029,
title = {Wiki-40B: Multilingual Language Model Dataset},
author = {Mandy Guo and Zihang Dai and Denny Vrandecic and Rami Al-Rfou},
year = {2020},
booktitle   = {LREC 2020}
}

wiki40b/en (デフォルト設定)

  • 構成の説明: en 用の Wiki40B データセット。

  • データセットのサイズ: 9.91 GiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 162,274
'train' 2,926,536
'validation' 163,597

wiki40b/ar

  • 構成の説明: ar 用の Wiki40B データセット。

  • データセットのサイズ: 833.20 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 12,271
'train' 220,885
'validation' 12,198

wiki40b/zh-cn

  • 構成の説明: zh-cn の Wiki40B データセット。

  • データセットのサイズ: 985.53 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 30,355
'train' 549,672
'validation' 30,299

wiki40b/zh-tw

  • 構成の説明: zh-tw 用の Wiki40B データセット。

  • データセットのサイズ: 986.45 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 30,670
'train' 552,031
'validation' 30,739

wiki40b/nl

  • 構成の説明: nl の Wiki40B データセット。

  • データセットのサイズ: 961.82 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 24,776
'train' 447,555
'validation' 25,201

ウィキ40b/フランス

  • 構成の説明: fr の Wiki40B データセット。

  • データセットのサイズ: 3.37 GiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 68,004
'train' 1,227,206
'validation' 68,655

wiki40b/de

  • 構成の説明: de 用の Wiki40B データセット。

  • データセットのサイズ: 4.78 GiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 86,594
'train' 1,554,910
'validation' 86,068

wiki40b/それ

  • 構成の説明: Wiki40B データセット。

  • データセットのサイズ: 2.00 GiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 40,443
'train' 732,609
'validation' 40,684

wiki40b/ja

  • 構成の説明: ja 用の Wiki40B データセット。

  • データセットのサイズ: 2.19 GiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 41,268
'train' 745,392
'validation' 41,576

wiki40b/ko

  • 構成の説明: ko の Wiki40B データセット。

  • データセットのサイズ: 453.98 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 10,802
'train' 194,977
'validation' 10,805

wiki40b/pl

  • 構成の説明: pl 用の Wiki40B データセット。

  • データセットのサイズ: 1.03 GiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 27,987
'train' 505,191
'validation' 28,310

ウィキ40b/ポイント

  • 構成の説明: pt の Wiki40B データセット。

  • データセットのサイズ: 1.08 GiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 22,693
'train' 406,507
'validation' 22,301

wiki40b/ru

  • 構成の説明: ru 用の Wiki40B データセット。

  • データセットのサイズ: 4.13 GiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 51,885
'train' 926,037
'validation' 51,287

wiki40b/es

  • 構成の説明: ES 用の Wiki40B データセット。

  • データセットのサイズ: 2.70 GiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 48,764
'train' 872,541
'validation' 48,592

wiki40b/th

  • 構成の説明: の Wiki40B データセット。

  • データセットのサイズ: 326.29 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 3,114
'train' 56,798
'validation' 3,093

ウィキ40b/tr

  • 構成の説明: tr 用の Wiki40B データセット。

  • データセットのサイズ: 308.87 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 7,890
'train' 142,576
'validation' 7,845

wiki40b/bg

  • 構成の説明: bg 用の Wiki40B データセット。

  • データセットのサイズ: 433.20 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 7,289
'train' 130,670
'validation' 7,259

wiki40b/ca

  • 構成の説明: 約 1 年間の Wiki40B データセット

  • データセットのサイズ: 753.00 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 15,568
'train' 277,313
'validation' 15,362

wiki40b/cs

  • 構成の説明: cs 用の Wiki40B データセット。

  • データセットのサイズ: 631.84 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 12,984
'train' 235,971
'validation' 13,096

wiki40b/da

  • 構成の説明: da 用の Wiki40B データセット。

  • データセットのサイズ: 240.51 MiB

  • 自動キャッシュ(ドキュメント): はい (テスト、検証)、 shuffle_files=Falseの場合のみ (トレーニング)

  • 分割:

スプリット
'test' 6,219
'train' 109,486
'validation' 6,173

wiki40b/el

  • 構成の説明: el の Wiki40B データセット。

  • データセットのサイズ: 524.77 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 5,261
'train' 93,596
'validation' 5,130

wiki40b/et

  • 構成の説明: et 用の Wiki40B データセット。

  • データセットのサイズ: 184.07 MiB

  • 自動キャッシュ(ドキュメント): はい (テスト、検証)、 shuffle_files=Falseの場合のみ (トレーニング)

  • 分割:

スプリット
'test' 6,205
'train' 114,464
'validation' 6,351

wiki40b/fa

  • 構成の説明: fa 用の Wiki40B データセット。

  • データセットのサイズ: 482.55 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 11,262
'train' 203,145
'validation' 11,180

ウィキ40b/fi

  • 構成の説明: fi の Wiki40B データセット。

  • データセットのサイズ: 534.13 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 14,179
'train' 255,822
'validation' 13,962

wiki40b/彼

  • 構成の説明: 彼のための Wiki40B データセット。

  • データセットのサイズ: 869.51 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 9,344
'train' 165,359
'validation' 9,231

wiki40b/こんにちは

  • 構成の説明: こんにちは、Wiki40B データセットです。

  • データセットのサイズ: 277.56 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 2,643
'train' 45,737
'validation' 2,596

wiki40b/時

  • 構成の説明: 時間用の Wiki40B データセット。

  • データセットのサイズ: 235.58 MiB

  • 自動キャッシュ(ドキュメント): はい (テスト、検証)、 shuffle_files=Falseの場合のみ (トレーニング)

  • 分割:

スプリット
'test' 5,724
'train' 103,857
'validation' 5,792

wiki40b/hu

  • 構成の説明: hu 用の Wiki40B データセット。

  • データセットのサイズ: 634.25 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 15,258
'train' 273,248
'validation' 15,208

wiki40b/id

  • 構成の説明: ID の Wiki40B データセット。

  • データセットのサイズ: 334.06 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 8,598
'train' 156,255
'validation' 8,714

wiki40b/lt

  • 構成の説明: lt 用の Wiki40B データセット。

  • データセットのサイズ: 140.46 MiB

  • 自動キャッシュ(ドキュメント): はい

  • 分割:

スプリット
'test' 4,683
'train' 84,854
'validation' 4,754

wiki40b/lv

  • 構成の説明: lv 用の Wiki40B データセット。

  • データセットのサイズ: 80.07 MiB

  • 自動キャッシュ(ドキュメント): はい

  • 分割:

スプリット
'test' 1,932
'train' 33,064
'validation' 1,857

wiki40b/ms

  • 構成の説明: ms 用の Wiki40B データセット。

  • データセットのサイズ: 142.49 MiB

  • 自動キャッシュ(ドキュメント): はい (テスト、検証)、 shuffle_files=Falseの場合のみ (トレーニング)

  • 分割:

スプリット
'test' 5,235
'train' 97,509
'validation' 5,357

wiki40b/いいえ

  • 構成の説明: No. の Wiki40B データセット。

  • データセットのサイズ: 382.03 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 10,588
'train' 190,588
'validation' 10,547

wiki40b/ro

  • 構成の説明: ro 用の Wiki40B データセット。

  • データセットのサイズ: 319.68 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 7,870
'train' 139,615
'validation' 7,624

wiki40b/sk

  • 構成の説明: sk の Wiki40B データセット。

  • データセットのサイズ: 170.20 MiB

  • 自動キャッシュ(ドキュメント): はい (テスト、検証)、 shuffle_files=Falseの場合のみ (トレーニング)

  • 分割:

スプリット
'test' 5,741
'train' 103,095
'validation' 5,604

ウィキ40b/sl

  • 構成の説明: sl の Wiki40B データセット。

  • データセットのサイズ: 157.38 MiB

  • 自動キャッシュ(ドキュメント): はい (テスト、検証)、 shuffle_files=Falseの場合のみ (トレーニング)

  • 分割:

スプリット
'test' 3,341
'train' 60,927
'validation' 3,287

wiki40b/sr

  • 構成の説明: sr の Wiki40B データセット。

  • データセットのサイズ: 582.20 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 17,997
'train' 327,313
'validation' 18,100

wiki40b/sv

  • 構成の説明: SV 用の Wiki40B データセット。

  • データセットのサイズ: 613.62 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 22,291
'train' 400,742
'validation' 22,263

ウィキ40b/tl

  • 構成の説明: tl 用の Wiki40B データセット。

  • データセットのサイズ: 29.04 MiB

  • 自動キャッシュ(ドキュメント): はい

  • 分割:

スプリット
'test' 1,446
'train' 25,940
'validation' 1,472

wiki40b/英国

  • 構成の説明: 英国の Wiki40B データセット。

  • データセットのサイズ: 1.67 GiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 26,581
'train' 477,618
'validation' 26,324

wiki40b/vi

  • 構成の説明: vi 用の Wiki40B データセット。

  • データセットのサイズ: 497.70 MiB

  • 自動キャッシュ(ドキュメント): いいえ

  • 分割:

スプリット
'test' 7,942
'train' 146,255
'validation' 8,195