データ重複排除フィルタリング

中文互联网语料资源平台开源数据

一、平台背景 由中国网络空间安全协会联合国家互联网应急中心推出，旨在提供高质量、可信赖的中文互联网语料资源，支持人工智能模型训练、自然语言处理研究等应用。二、资源特点 平台已上线“中文互联网基础语料2.0”，涵盖27个数据集，总量约2.7TB，其中基础语料部分约120GB，包含约3800万条数据。所...