CC-NEWS-ES 数据集卡片

数据集概述

CC-NEWS-ES 是一个包含新闻的西班牙语数据集。该语料库是通过从2019年的CC-NEWS（Common Crawl的新闻索引）中提取西班牙语文章生成的。为了做到这一点，使用了FastText模型进行语言预测。

它总共包含 7,473,286 个文本和 1,812,009,283 个单词，分布如下：

支持的任务和排行榜

TODO

语言

文本为西班牙语。西班牙语的BCP-47代码为 "es"。

数据集结构

数据实例

每个数据实例包含以下特征：...

• 国家：顶级域名，通常指的是一个国家（除了.com的情况）。
• 文本：新闻正文。
• id：内部ID。

一个CC-NEWS-ES的示例如下：

{'country': 'py',
 'text': '“La que asumió es una mujer que está en línea de sucesión. La policía, ni los militares están en el Palacio, lo que ella dijo fue que no se podía seguir reprimiendo al pueblo", manifestó este jueves el senador colorado, Enrique Riera, sobre la asunción presidencial en Bolivia de la senadora opositora, Jeanine Áñez,Riera agregó que Evo Morales el que "escapó y abandonó" a su pueblo al ir como asilado a México. En ese sentido, dijo que irónicamente, el expresidente boliviano no eligió como destino a Venezuela, Nicaragua ni a Cuba.Sostuvo que nos de debe utilizar a las instituciones democráticas y republicanas para llegar al poder, cambiando Constituciones y prorrogando mandatos una y otra vez. “El amigo Morales no respetó absolutamente nada”, subrayó.Por otra parte, el senador colorado mencionó que los fiscales y jueces bolivianos deberían tener el "coraje" de investigar el origen de la riqueza de Morales.Habló también sobre la situación en Venezuela y mencionó que Nicolás Maduro no cae, porque "toda la FFAA está contaminada de narcotráfico".	El hombre cuenta con orden de prisión en su país por los ilícitos de Tráfico de Drogas y Asociación Criminal, según el Consejo Nacional de Justicia del Brasil.La agente fiscal Liliana Denice Duarte, titular de la Unidad Fiscal Nº 1 de Presidente Franco, requirió la expulsión del extranjero y la jueza Carina Frutos Recalde, mediante Auto Interlocutorio (A.I.) N° 2.153, dio curso favorable al pedido del Ministerio Público. Esto considerando la alta expectativa de pena que tiene el supuesto delincuente en su país.La detención ...',
 'id': 7328086}

Note: the text is shortened for simplicity.

数据字段

• ...
• ...

数据划分

...

数据集创建

策划理由

[无]

来源数据

TODO

共同爬取： https://commoncrawl.org/

注释

数据集不包含任何附加注释。

[无]

[无]

个人和敏感信息

[无]

使用该数据的注意事项

数据集的社会影响

...

偏见讨论

[无]

其他已知限制

[无]

其他信息

数据集维护者

该数据集由 Leonardo Ignacio Córdoba 维护，并在 María Gaska 的帮助下构建。

许可信息

[无]

引用信息

TODO

贡献

[无]