|
--- |
|
license: cc-by-sa-4.0 |
|
language: |
|
- zh |
|
multilinguality: |
|
- monolingual |
|
pretty_name: wiki_tw |
|
size_categories: |
|
- 100M<n<1B |
|
source_datasets: |
|
- wikipedia |
|
dataset_info: |
|
features: |
|
- name: title |
|
dtype: string |
|
- name: article |
|
dtype: string |
|
extra_gated_prompt: "You agree to not attempt to determine the identity of individuals in this dataset" |
|
extra_gated_fields: |
|
Company: text |
|
Country: text |
|
I agree to use this dataset for non-commercial use ONLY: checkbox |
|
--- |
|
要搞自己的大型語言模型，最基本的基本，就是需要一大堆文字資料，從 Common Crawl 上頭抓回來慢慢清洗是一條路，清洗維基百科網站的週期性下載檔也是一個方法。本資料集是解析自[維基百科於 20240420 發布的繁體中文版打包檔](https://dumps.wikimedia.org/zhwiki/20240420/) bz2 檔案的內容，在解析出所需內容後，利用 [wikitextparser](https://wikitextparser.readthedocs.io/en/latest/) 移除 Wiki 標記。解析後保留的欄位有兩個：條目名稱（title），條目內容（page article）。 |
|
|
|
原始的打包檔條目內容簡繁混雜，所以有利用 [OpenCC](https://github.com/BYVoid/OpenCC) 進行簡轉繁處理。 |
|
|
|
* 原始總條目數: 4,451,426 條目。 |
|
* 全部 4,451,426 個條目標題。 |
|
* 無法自動去標記的條目數: 3,035,750 |
|
* 有內容的條目數: 1,415,676 |
|
|
|
因為本資料集內容龐大，要塞進一般的個人電腦中進行計算，恐怕會有資源不足的情形。建議使用[parquet](https://huggingface.co/docs/datasets/loading#parquet)格式下載使用。 |
|
|
|
資料集當中有不少內容為 #REDIRECT 的條目已經嘗試移除，如果移除的不乾淨，就等以後有空推出修正版再來清洗了。 |
