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

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多