К содержимому

Датасет · ddrg

Многоязычный корпус юридических документов Евросоюза

ddrg/super_eurlex

От 1 до 10 миллионов правовых актов с портала EUR-Lex на шести европейских языках в трёх форматах.

Что внутри

Собранный с сайта EUR-Lex корпус содержит от 1 до 10 миллионов полных юридических документов на английском, немецком, чешском, болгарском, датском и греческом языках, разбитых по языкам и секторам права. Каждый документ представлен в виде очищенного текста, а также сырого и очищенного HTML (с сохранением таблиц) вместе с сопутствующими метаданными сектора.

Что можно сделать

  • Обучение и дообучение языковых моделей и эмбеддингов для европейского права
  • Классификация юридических документов по секторам и тематикам
  • Парсинг и извлечение данных из сложных правовых таблиц в HTML
Задачи
Классификация текста, Заполнение пропусков
Языки
bg, cs, da, Немецкий, el, Английский, Испанский, et и ещё 4
Размер
1M–10M записей
Скачиваний за месяц
3,9 тыс.
Лайков
4

Как загрузить

from datasets import load_dataset

ds = load_dataset("ddrg/super_eurlex")