【NLP】好资源！近 20 万本 txt 书籍的语料库，可用于 GPT 模型训练和语义分析...

由于缺少规范化的数据集，训练一个像OpenAI一样的GPT模型通常很难。现在有了，它就是BookCorpus的"books3"数据集，一个包含196,640本书的txt数据集。

下载链接：https://the-eye.eu/public/AI/pile_preliminary_components/books3.tar.gz

但在下载这个37Gb的大文件前，我们先了解了解这个数据集。

BookCorpus

https://github.com/soskek/bookcorpus

BookCorpus是一个流行的大型文本语料库，适合在无人监督下学习句子的编码/解码器。但是，BookCorpus 目前已不再更新。

此存储库的数据来源包括smashwords的数据，是 BookCorpus 的原始来源。后续收集添加的句子可能有部分不同，但数量会更大更丰富。

最简单的调用方式是：

from datasets import load_dataset
dataset = load_dataset("bookcorpus")

虽然bookcorpus已不再更新，但后续仍有人为该数据集丰富内容，更新信息。其中最突出的就是Shawn在今年9月贡献的book3语料库，每本书都以文本文件的形式单独存储。

Book3数据集

数据集的质量非常高，作者为了构建数据集，花了一周时间修缮了epub2txt脚本。

新脚本保证了：

1. 正确保留结构，与目录非常匹配;

2. 正确呈现数据表（默认情况下 html2txt 主要为表生成垃圾查找结果），

3. 正确保留代码结构，使源代码和类似内容在视觉上保持一致，

4. 将编号列表从"1\"转换为"1"。

5. 通过"ftfy.fix_text（）运用在全文上 （这是 OpenAI 对 GPT 的用途）运行全文，将Unicode的撇号替换为ascii编码的撇号;

6. 将 Unicode 椭圆扩展到"..."（三个单独的 ascii 字符）。

book3数据集：

• 包含196,640本书籍

• 全部txt格式

• 链接更稳定，可直接下载。链接：https://the-eye.eu/public/AI/pile_preliminary_components/books3.tar.gz

如果想要下载其他数据集，可以访问：

https://the-eye.eu/public/AI/pile_preliminary_components/ 

最后

附上一个书籍的网页版样例：《Do It Yourself》

https://battle.shawwn.com/sdb/books1/books1/epubtxt/do-it-yourself-lifetime-financial-planning.epub.txt

参考：

[1]https://www.reddit.com/r/MachineLearning/comments/ji7y06/p_dataset_of_196640_books_in_plain_text_for/?utm_medium=android_app&utm_source=share

[2]https://github.com/soskek/bookcorpus/issues/27

[3]https://twitter.com/theshawwn/status/1320282149329784833

[4]https://github.com/soskek/bookcorpus

[5]https://huggingface.co/datasets/bookcorpus

- EOF -

 
往期精彩回顾
 
 
 
适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑温州大学《机器学习课程》视频
本站qq群851320808，加入微信群请扫码：