NeuCLIR1数据集卡片

数据集摘要

这是为TREC 2022 NeuCLIR任务创建的数据集。该数据集的设计与HC4类似，并且大部分来自HC4的文档都被转移到了这个数据集中。文档是来自Common Crawl的中文、波斯语和俄语的网页。

语言

• 中文
• 波斯语
• 俄语

数据集结构

数据实例

数据字段

• id：该文档的唯一标识符
• cc_file：来自Common Crawl的源文件
• time：从文章中提取的日期/时间
• title：从文章中提取的标题
• text：提取的文章正文
• url：源网址

数据集使用

使用🤗 Datasets：

from datasets import load_dataset

dataset = load_dataset('neuclir/neuclir1')
dataset['fas'] # Persian documents
dataset['rus'] # Russian documents
dataset['zho'] # Chinese documents