使用者友善、去重的 CSV 資料集,包含來自 Aozora Bunko 的公有領域日語文本,已使用 globis‑org/aozorabunko‑extractor 處理並為現代日語機器學習用途做過清理。
其他語言的說明
統計
統計資料截至 2026年11月16日
Hugging Face 下載數(近 30 天)
1,000
Hugging Face 按讚數
49
收錄日
2024年5月13日
下載數(近 30 天)變化
以表格顯示
| 月份 | 下載(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 |
各月最後一次快照時的近 30 天下載數。
同分類的熱門資源
- KakologArchivesKakologArchives74k聚合自 2009‑2024 年的 NicoNico Live 評論日誌超過 150 GB,包括轉換前、轉換後及實時 NX‑Jikkyo 捕獲,並提供 API 以方便檢索歷史 TV‑broadcast 討論。
- emilia-yodasTTS-AGI18k來自 Fate/Stay Night 角色「Emilia」的對話與傳說資料集,格式化用於訓練與評估對話語言模型。
- ClimbLab-JaKantaHayashiAI15kClimbLab‑Ja 是一個三千億標記的日語語料庫,從 LLM‑jp Corpus v4 過濾後分成 20 個群集,用於預訓練語言模型,以 ODC‑BY 授權發佈,保留原始來源授權並以 parquet 格式存儲。
- llm-course-final-2026bumbuboon13k基於日文 Wikipedia 的 RAG 資料集,供 LLM 課程期末競賽使用,包含約 100 萬個文本片段及搜尋索引。
- fgo_voices_jpdeepghs10kFGO Waifu 的 JP Voice‑Text 資料集:包含 30,800 條記錄、66.4 小時的日語音訊集合,涵蓋單一配音員角色台詞(每條約 7.76 秒),適用於 ASR/ASV 微調與評估。
- fineweb-2-edu-japanesehotchpotch8kFineWeb2 Edu Japanese 交付約 120 million 高品質教育用日語文本(≈89.3 billion tokens)來自 FineWeb2,經 DeepSeek‑API classifier(score ≥ 2.5)過濾,使用 ModernBERT‑Ja‑130M 分詞,並包含小型 token 子集(≤512 tokens)。
研究領域相近的資源
PAX_SAPIENTICAAsPJT198GIS和考古模擬器。2023年開發中。GitHub共同: 資訊擷取與文本探勘
kanji-frequencyscriptin167從各種來源收集的漢字使用頻率數據GitHub共同: 資訊擷取與文本探勘
japanesehingston92這個存儲庫包含由利茲大學語料庫確定頻率排序的44,998個最常見的日語單詞列表。GitHub共同: 資訊擷取與文本探勘
japanese-family-namessiikamiika17按頻率排序的前5000個日本姓氏,附帶讀音。GitHub共同: 資訊擷取與文本探勘- wrimeshunk031323WRIME 數據集是一個日本語收藏,包含 42,200 篇文章,已用 Plutchik 的八種情緒為作者、三位讀者以及他們的平均值進行標註,並結構為 40k‑train、1.2k‑validation、2k‑test 的分割,供情感分析任務使用。共同: 資訊擷取與文本探勘
- cc100-jarange3265cc100-ja 是 cc100 資料集的日本語部分,提供為分片 Parquet 檔案。共同: 資訊擷取與文本探勘