Update README.md
Browse files
README.md
CHANGED
|
@@ -11,11 +11,9 @@ size_categories:
|
|
| 11 |
|
| 12 |
## Dataset Description
|
| 13 |
|
| 14 |
-
- **Homepage:**
|
| 15 |
-
- **
|
| 16 |
-
- **
|
| 17 |
-
- **Leaderboard:**
|
| 18 |
-
- **Point of Contact:**
|
| 19 |
|
| 20 |
### Dataset Summary
|
| 21 |
|
|
@@ -23,84 +21,30 @@ Este Dataset foi criado à partir dos dados disponibilizados pelo Grupo de Proce
|
|
| 23 |
|
| 24 |
### Supported Tasks and Leaderboards
|
| 25 |
|
| 26 |
-
|
| 27 |
|
| 28 |
### Languages
|
| 29 |
|
| 30 |
-
|
| 31 |
-
|
| 32 |
-
## Dataset Structure
|
| 33 |
-
|
| 34 |
-
### Data Instances
|
| 35 |
-
|
| 36 |
-
[More Information Needed]
|
| 37 |
-
|
| 38 |
-
### Data Fields
|
| 39 |
-
|
| 40 |
-
[More Information Needed]
|
| 41 |
-
|
| 42 |
-
### Data Splits
|
| 43 |
-
|
| 44 |
-
[More Information Needed]
|
| 45 |
-
|
| 46 |
-
## Dataset Creation
|
| 47 |
-
|
| 48 |
-
### Curation Rationale
|
| 49 |
-
|
| 50 |
-
[More Information Needed]
|
| 51 |
-
|
| 52 |
-
### Source Data
|
| 53 |
|
| 54 |
#### Initial Data Collection and Normalization
|
| 55 |
|
| 56 |
-
|
| 57 |
-
|
| 58 |
-
#### Who are the source language producers?
|
| 59 |
-
|
| 60 |
-
[More Information Needed]
|
| 61 |
-
|
| 62 |
-
### Annotations
|
| 63 |
-
|
| 64 |
-
#### Annotation process
|
| 65 |
-
|
| 66 |
-
[More Information Needed]
|
| 67 |
|
| 68 |
-
|
| 69 |
-
|
| 70 |
-
[More Information Needed]
|
| 71 |
-
|
| 72 |
-
### Personal and Sensitive Information
|
| 73 |
-
|
| 74 |
-
[More Information Needed]
|
| 75 |
-
|
| 76 |
-
## Considerations for Using the Data
|
| 77 |
-
|
| 78 |
-
### Social Impact of Dataset
|
| 79 |
-
|
| 80 |
-
[More Information Needed]
|
| 81 |
-
|
| 82 |
-
### Discussion of Biases
|
| 83 |
-
|
| 84 |
-
[More Information Needed]
|
| 85 |
-
|
| 86 |
-
### Other Known Limitations
|
| 87 |
-
|
| 88 |
-
[More Information Needed]
|
| 89 |
-
|
| 90 |
-
## Additional Information
|
| 91 |
-
|
| 92 |
-
### Dataset Curators
|
| 93 |
|
| 94 |
-
|
| 95 |
|
| 96 |
-
###
|
| 97 |
|
| 98 |
-
|
| 99 |
|
| 100 |
-
###
|
| 101 |
|
| 102 |
-
|
| 103 |
|
| 104 |
-
|
|
|
|
|
|
|
| 105 |
|
| 106 |
-
|
|
|
|
| 11 |
|
| 12 |
## Dataset Description
|
| 13 |
|
| 14 |
+
- **Homepage:** https://www.inf.pucrs.br/linatural/wordpress/recursos-e-ferramentas/blogset-br/
|
| 15 |
+
- **Leaderboard:** Grupo de Processamento da Linguagem Natural da PUC-RS
|
| 16 |
+
- **Point of Contact:** Site oficial
|
|
|
|
|
|
|
| 17 |
|
| 18 |
### Dataset Summary
|
| 19 |
|
|
|
|
| 21 |
|
| 22 |
### Supported Tasks and Leaderboards
|
| 23 |
|
| 24 |
+
Indicado para treinamento de modelos de linguagem.
|
| 25 |
|
| 26 |
### Languages
|
| 27 |
|
| 28 |
+
Português do Brasil
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 29 |
|
| 30 |
#### Initial Data Collection and Normalization
|
| 31 |
|
| 32 |
+
Informações sobre a criação do Dataset podem ser encontradas aqui: https://www.inf.pucrs.br/linatural/wordpress/recursos-e-ferramentas/blogset-br/
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 33 |
|
| 34 |
+
### Licensing Information
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 35 |
|
| 36 |
+
Apache V2
|
| 37 |
|
| 38 |
+
### Contributions
|
| 39 |
|
| 40 |
+
Esta página é meramente uma configuração para o formato Huggingface do trabalho realizado pelo equipe PLN da PUC-RS.
|
| 41 |
|
| 42 |
+
### Huggingface format
|
| 43 |
|
| 44 |
+
O código a seguir foi utilizado para a criação do dataset. Decisões quanto a estrutura:
|
| 45 |
|
| 46 |
+
1. Somente a coluna relacionada ao texto foi utilizada (coluna 4).
|
| 47 |
+
2. Foi aplicada uma bateria de ajustes visando limpar o texto conforme pode ser observado no código.
|
| 48 |
+
3. Procurou-se manter o limite de 512 palavras em cada linha.
|
| 49 |
|
| 50 |
+
Gist: https://gist.github.com/rdemorais/ce2e708af4c07aba47930bc12ed92472
|