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")