数据73种语言句子级释义语料库TaPaCo

数据集概述

该数据集为73种语言的句子级释义语料库TaPaCo，从Tatoeba数据库提取，经语言无关过滤和修剪步骤处理。含约190万句，每种语言20万至25万句，覆盖无其他释义数据集的语言，部分语言人工评估显示半数至四分之三释义正确。

文件详解

• 文件名称: tapaco_v1.0.zip：压缩包格式，包含73种语言的句子级释义语料库数据
• 文件名称: tapaco_lrec2020.pdf：PDF格式，可能为介绍该语料库的论文文档，含构建方法、评估结果等内容

数据来源

Tatoeba数据库

适用场景

• 自然语言处理研究：用于多语言释义生成、语义相似度计算等任务模型训练与评估
• 计算语言学分析：研究不同语言的释义表达规律与形态差异中和现象
• 语言资源建设：补充低资源语言的释义数据集，支持语言学习与翻译工具开发
• 多语言语义理解：探究跨语言句子语义等价性的特征与模式