ChineseWebText: 一个高质量的中文网络文本数据集

RayRay
ChineseWebText高质量中文数据集网页文本处理自然语言处理数据评估模型Github开源项目

ChineseWebText:打造高质量中文语料库的新标杆

在大型语言模型(LLM)蓬勃发展的今天,高质量的训练数据至关重要。为了推动中文LLM的研究进展,中国科学院自动化研究所(CASIA)最近发布了一个重量级项目——ChineseWebText。这是迄今为止最大规模的高质量中文网络文本数据集,总容量达到惊人的1.42TB。更难能可贵的是,ChineseWebText不仅仅是一个静态的数据集,还配套了一整套从原始网页数据中提取高质量中文文本的工具链EvalWeb。这无疑将为中文NLP研究带来新的机遇和可能。

数据集概览:规模与质量并重

ChineseWebText的亮点不仅在于其庞大的体量,更在于其对数据质量的精益求精。研究团队为每条文本都赋予了一个质量评分,这为研究人员根据不同的质量阈值筛选数据提供了极大的灵活性。值得一提的是,研究者还特别筛选出了一个600GB的超高质量子集,其中所有文本的质量评分均超过90%。这样的设计充分考虑到了不同研究需求,既可以使用全量数据进行大规模预训练,也可以选用高质量子集进行精细调优。

ChineseWebText数据集概览

数据样例:丰富多样的中文文本

为了让大家对ChineseWebText有更直观的认识,我们来看一个具体的数据样例:

{ "title": "潍坊银行2021年上半年净利润同比增长29.57% 不良率降至1.10%_财经_中国网", "score": 0.95, "text": "潍坊银行2021年上半年净利润同比增长29.57% 不良率降至1.10%\n中国网财经8月24日讯 潍坊银行昨日披露2021年二季度信息报告显示,截至2021年6月末,潍坊银行资产总额1920.44亿元,较上年末增长9.34%;负债总额1789.16亿元,较上年末增长10.54%。2021年上半年,潍坊银行实现净利润6.09亿元,同比增长29.57%。\n资产质量方面,截至2021年6月末,潍坊银行不良贷款率1.10%,较上年末下降0.13个百分点。\n资本金方面,截至2021年6月末,潍坊银行资本充足率、核心一级资本充足率、一级资本充足率分别为11.66%、7.89%、10.13%,分别较上年末下降1.89、0.89、1.15个百分点。", "url": "http://finance.china.com.cn/news/special/2021bnb/20210824/5638343.shtml", "source_domain": "finance.china.com.cn" }

从这个样例可以看出,ChineseWebText的数据结构非常丰富,不仅包含了文本内容,还保留了标题、原始URL、来源域名等元信息。特别是"score"字段,直接反映了该条文本的质量评分,为后续的数据筛选和分析提供了便利。

EvalWeb:从海量网页中提炼精华

ChineseWebText的另一大亮点是其配套的工具链EvalWeb。这套工具链能够从原始的网页数据中提取出高质量的中文文本,其工作流程大致可分为三个阶段:

  1. 数据准备:使用CCNet工具进行去重和语言识别,初步筛选出中文文本。

  2. 预处理:运用一系列精心设计的规则,过滤掉低质量、不适合的文本。这些规则包括:

    • 文本长度控制
    • 中文字符比例要求
    • 敏感词过滤
    • 内部重复检测
  3. 质量评估:采用基于BERT的评估模型,为每条文本打分。研究者还开发了一个基于FastText的轻量级分类器,在保持性能的同时大幅提升了效率。

EvalWeb工作流程

开放共享,推动研究

ChineseWebText项目的一大亮点是其开放共享的精神。研究团队不仅将数据集公开发布在了Hugging Face上(链接),还将整个EvalWeb工具链的代码开源在了GitHub上(项目地址)。这种开放态度无疑将极大促进中文NLP领域的研究进展。

对于有志于中文LLM研究的团队来说,ChineseWebText提供了一个绝佳的起点。你可以直接使用这个高质量的数据集来训练或微调模型,也可以利用EvalWeb工具链来处理自己收集的网页数据,打造专属的高质量语料库。

结语:开启中文NLP新纪元

ChineseWebText的发布,标志着中文NLP研究迈入了一个新的阶段。这个项目不仅提供了迄今为止最大规模、最高质量的中文网络文本数据集,更重要的是,它为整个社区提供了一套可复现、可扩展的数据处理方法论。我们有理由相信,在ChineseWebText的助力下,中文大语言模型的研究将会取得突飞猛进的发展。

无论你是NLP研究者、工程师,还是对中文语言处理感兴趣的爱好者,ChineseWebText都值得你深入探索。让我们一起期待,在这个数据集的滋养下,会诞生出怎样精彩的中文AI应用! 🚀📚🤖

引用信息:

@misc{chen2023chinesewebtext, title={ChineseWebText: Large-scale High-quality Chinese Web Text Extracted with Effective Evaluation Model}, author={Jianghao Chen and Pu Jian and Tengxiao Xi and Dongyi Yi and Qianlong Du and Chenglin Ding and Guibo Zhu and Chengqing Zong and Jinqiao Wang and Jiajun Zhang}, year={2023}, eprint={2311.01149}, archivePrefix={arXiv}, primaryClass={cs.CL} }

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多