一个用户友好、去重的 CSV 数据集,包含 Aozora Bunko 的公有域日语文本,使用 globis‑org/aozorabunko‑extractor 处理,并已清理以适用于现代日语机器学习。
其他语言的说明
统计
统计数据截至 2026年11月16日
Hugging Face 下载数(近 30 天)
1,000
Hugging Face 点赞数
49
收录日
2024年5月13日
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 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 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- KakologArchivesKakologArchives74k聚合了2009年至2024年NicoNico Live的评论日志,总计超过150 GB,包括转移前、转移后以及实时NX‑Jikkyo捕获,提供了一个API,便于检索历史电视广播讨论。
- emilia-yodasTTS-AGI18k来自 Fate/Stay Night 的角色 “Emilia” 的对话和背景故事数据集,格式化用于训练和评估会话语言模型。
- ClimbLab-JaKantaHayashiAI15kClimbLab‑Ja 是一个300 亿标记的日语语料库,从 LLM‑jp Corpus v4 过滤而来,分为20个簇用于预训练语言模型,以 ODC‑BY 许可证发布,保留原始来源许可,并以 parquet 格式存储。
- llm-course-final-2026bumbuboon13k基于日语维基百科的LLM课程期末竞赛RAG数据集,包含约100万文本块和搜索索引。
- fgo_voices_jpdeepghs10kFGO Waifus的JP Voice‑Text 数据集:一个包含30,800条记录、66.4小时日本音频的集合,收录单一配音演员角色台词(每句约7.76秒),适用于ASR/ASV微调与评估。
- fineweb-2-edu-japanesehotchpotch8kFineWeb2 Edu Japanese 提供约120 million高质量教育日语文本(≈89.3 billion tokens)来自 FineWeb2,经过 DeepSeek‑API classifier(score ≥ 2.5)过滤,通过 ModernBERT‑Ja‑130M tokenized,并包含一个小-token子集(≤512 tokens)。
研究领域相近的资源
PAX_SAPIENTICAAsPJT198GIS和考古模拟器。正在开发中,预计2023年发布。GitHub共同: 信息抽取与文本挖掘
kanji-frequencyscriptin167从各种来源收集的汉字使用频率数据GitHub共同: 信息抽取与文本挖掘
japanesehingston92这个仓库包含了由利兹大学语料库确定的按频率排序的44,998个最常见的日语单词列表。GitHub共同: 信息抽取与文本挖掘
japanese-family-namessiikamiika17前5000个日本姓氏,附带读音,按频率排序。GitHub共同: 信息抽取与文本挖掘- wrimeshunk031323WRIME 数据集是一个包含 42,200 条帖子的日本语集合,帖子已为作者、三位读者及其平均值标注了 Plutchik 的八种情感,结构为 40k 训练集、1.2k 验证集和 2k 测试集,用于情感分析任务。共同: 信息抽取与文本挖掘
- cc100-jarange3265cc100-ja 是 cc100 数据集日语部分的集合,提供为分片的 Parquet 文件。共同: 信息抽取与文本挖掘