Aozora Bunkoから取得したパブリックドメイン日本語テキストのユーザーフレンドリーで重複除去済みCSVデータセット。globis-org/aozorabunko‑extractorで処理され、現代日本語機械学習用途に合わせてクリーニング済み。
他の言語の説明
統計
2026年11月16日時点の統計
Hugging Face のダウンロード数(直近30日)
1,000
Hugging Face の Like 数
49
掲載日
2024年5月13日
ダウンロード数(直近30日)の推移
数値を表で見る
| 月 | DL(30日) |
|---|---|
| 2025年12月 | 2,000 |
| 2026年1月 | 653 |
| 2026年2月 | 2,000 |
| 2026年3月 | 1,000 |
| 2026年4月 | 644 |
| 2026年5月 | 3,000 |
| 2026年6月 | 3,000 |
| 2026年7月 | 2,000 |
| 2026年8月 | 2,000 |
| 2026年9月 | 1,000 |
| 2026年10月 | 1,000 |
| 2026年11月 | 1,000 |
各月の最後のスナップショットにおける、直近30日間のダウンロード数です。
同じカテゴリで人気のリソース
- KakologArchivesKakologArchives74k2009年から2024年までのNicoNico Liveのコメントログ(150GB超)を集約し、転換前・転換後・リアルタイムNX‑Jikkyoのキャプチャも含む、歴史的なTV‑broadcastディスカッションを簡単に取得できるAPIを提供します。
- emilia-yodasTTS-AGI18kFate/Stay Nightのキャラクター「Emilia」の対話とロアのデータセットで、会話型言語モデルのトレーニングと評価のためにフォーマットされています。
- ClimbLab-JaKantaHayashiAI15kClimbLab‑Jaは、LLM‑jp Corpus v4からフィルタリングされた3000億トークンの日本語コーパスであり、事前学習言語モデル用に20クラスタに分割され、ODC‑BYライセンス(元のソースライセンスを保持)で公開され、parquet形式で保存されています。
- llm-course-final-2026bumbuboon13k日本語ウィキペディアベースのRAGデータセット(LLMコース最終競技用)、約100万テキストチャンクと検索インデックスを含む。
- fgo_voices_jpdeepghs10kFGOワイフのためのJP Voice‑Text Dataset:30,800件、66.4時間の日本語音声コレクション。単一ボイスアクターのキャラクターロライン(1行約7.76 秒)で、ASR/ASVのファインチューニングと評価に有用です。
- fineweb-2-edu-japanesehotchpotch8kFineWeb2 Edu Japanese は FineWeb2 からの約1億2000万の高品質教育用日本語テキスト(約893億トークン)を提供し、DeepSeek‑API クラスフィケーター(スコア ≥ 2.5)でフィルタリングし、ModernBERT‑Ja‑130M でトークナイズされ、512 トークン以下の小規模サブセットを含みます。
研究分野が近いリソース
PAX_SAPIENTICAAsPJT198GISと考古学シミュレーター。2023年開発中。GitHub共通: 情報抽出・テキストマイニング
kanji-frequencyscriptin167様々な情報源から収集された漢字使用頻度データGitHub共通: 情報抽出・テキストマイニング
japanesehingston92このリポジトリには、リーズ大学コーパスによって頻度順に決定された44,998の最も一般的な日本語単語のリストが含まれています。GitHub共通: 情報抽出・テキストマイニング
japanese-family-namessiikamiika17頻度順に並べられた読み付きの上位5000の日本の姓GitHub共通: 情報抽出・テキストマイニング- wrimeshunk031323WRIMEデータセットは、日本語の投稿42,200件からなるコレクションで、筆者、3名の読者、およびその平均に対してPlutchikの8つの感情でアノテーションされています。感情分析タスク向けに、40kトレーニング、1.2kバリデーション、2kテストのスプリットで構成されています。共通: 情報抽出・テキストマイニング
- cc100-jarange3265cc100-jaは、cc100データセットの日本語部分を集めたもので、シャーディングされたParquetファイルとして提供されています。共通: 情報抽出・テキストマイニング