mC4 Finnish Cleaned 数据集卡片

数据集简介

mC4 Finnish Cleaned 是原始的 mC4 Finnish 拆分数据集的清理版本。

支持的任务和榜单

mC4 Finnish 主要用于预训练芬兰语言模型和单词表示。

语言

芬兰语

数据集结构

数据实例

[需要更多信息]

数据字段

数据包含多个字段：

• url: 来源的 URL，字符串类型
• text: 文本内容，字符串类型
• timestamp: 时间戳，字符串类型
• perplexity_kenlm_full: 使用 KenLM 模型计算的文本困惑度

数据拆分

训练集 验证集

数据集创建

策划理由

[需要更多信息]

数据源

[需要更多信息]

[需要更多信息]

注释

[需要更多信息]

[需要更多信息]

个人和敏感信息

[需要更多信息]

使用数据的注意事项

数据的社会影响

[需要更多信息]

偏见讨论

[需要更多信息]

其他已知限制

[需要更多信息]

附加信息

数据集策划者

[需要更多信息]

许可信息

[需要更多信息]

引用信息

[需要更多信息]