维基百科土耳其摘要数据集

数据集描述

这是一个来自2023年维基百科转储的土耳其摘要数据集🇹🇷。该数据集经过清洗、分词和使用Huggingface维基百科数据集清理脚本、自定义清理脚本和OpenAI的gpt3.5-turbo API生成摘要。

数据来源

• 维基百科的最新土耳其转储（2023版本）🌐

特点

• 文本：字符串（从维基百科文章📖中提取的原始文本）
• 摘要：字符串（原始文本的生成摘要📝）

数据划分

下载大小

• 216,029,002字节

数据集大小

• 341,537,415字节

数据准备

数据收集

分词

使用Google的MT5分词器对数据集进行分词处理。应用了以下准则：

• 选择300到900个标记的文章✔️。
• 忽略少于300个标记的文章❌。
• 对于超过900个标记的文章，仅选择以段落结束的前900个标记🔍。

摘要生成

使用OpenAI的gpt3.5-turbo API生成原始文本的摘要🤖。

数据集用途

此数据集可用于多种自然语言处理任务👩‍💻，例如文本摘要、机器翻译和土耳其语言建模。

示例用法：

from datasets import load_dataset

# Load the dataset
dataset = load_dataset("musabg/wikipedia-tr-summarization")

# Access the data
train_data = dataset["train"]
validation_data = dataset["validation"]

# Iterate through the data
for example in train_data:
  text = example["text"]
  summary = example["summary"]
  # Process the data as needed

请确保引用数据集时按照以下方式📝：

@misc{musabg2023wikipediatrsummarization,
  author = {Musab Gultekin},
  title = {Wikipedia Turkish Summarization Dataset},
  year = {2023},
  publisher = {HuggingFace},
  howpublished = {\url{https://huggingface.co/datasets/musabg/wikipedia-tr-summarization}},
}

维基百科土耳其摘要数据集

这是一个来自2023年维基百科转储的土耳其摘要数据集。该数据集经过清洗、分词和使用Huggingface维基百科数据集清理脚本、自定义清理脚本和OpenAI的gpt3.5-turbo API生成摘要。

数据来源

• 维基百科的最新土耳其转储（2023版本）

特点

• 文本：字符串（从维基百科文章中提取的原始文本）
• 摘要：字符串（原始文本的生成摘要）

数据划分

下载大小

• 216,029,002字节

数据集大小

• 341,537,415字节

数据准备

数据收集

分词

使用Google的MT5分词器对数据集进行分词处理。应用了以下准则：

• 选择300到900个标记的文章。
• 忽略少于300个标记的文章。
• 对于超过900个标记的文章，仅选择以段落结束的前900个标记。

摘要生成

使用OpenAI的gpt3.5-turbo API生成原始文本的摘要。

数据集用途

此数据集可用于多种自然语言处理任务，例如文本摘要、机器翻译和土耳其语言建模。

示例用法：

from datasets import load_dataset

# Veri kümesini yükle
dataset = load_dataset("musabg/wikipedia-tr-summarization")

# Verilere erişin
train_data = dataset["train"]
validation_data = dataset["validation"]

# Verilerin üzerinden geçin
for example in train_data:
  text = example["text"]
  summary = example["summary"]
  # Veriyi gerektiği gibi işleyin