【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_datasetdataset = 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：