Датасет · a686d380
Корпус китайских H-новелл
a686d380/h-corpus-2023
205 тыс. очищенных и дедуплицированных китайских H-новелл общим объёмом 17 ГБ.
Что внутри
Датасет содержит 205 028 китайских H-новелл после очистки и дедупликации. Объём — 17,0 ГБ после распаковки. Язык — китайский; это только тексты, автор указывает назначение «только для научных исследований».
Что можно сделать
- Обучение языковой модели на китайских текстах
- Исследование стиля и тематики художественных текстов
- Проверка фильтров для взрослого контента
- Языки
- Китайский
- Скачиваний за месяц
- 278
- Лайков
- 216
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("a686d380/h-corpus-2023")