lianghsun/

wikipedia-zh-filtered

本資料集是 lianghsun/wikipedia-zh-742M（中文維基百科語料）的繁體中文（zh-tw）過濾子集，每筆樣本含維基條目段落、token／字元統計與原始 URL。可作為繁中模型在百科類知識上的預訓練語料。

	Dataset Details




	
	Dataset Description

原始 wikipedia-zh-742M 涵蓋多種中文（簡體、繁體）；本資料集刻意過濾出以繁體（zh-tw）為主的條目段落，並排除被識別為簡體為主的樣本。內容涵蓋臺灣本土條目（地理、歷史、人物）以及通用百科知識。 每筆樣本欄位：

text：條目內文段落。 token_count / word_count：token 數與字元數。 url：原條目網址（部分樣本可能為空字串）。 updated_at：抓取／更新時間戳。

Curated by: Huang Liang Hsun Language(s) (NLP): Traditional… See the full description on the dataset page: https://huggingface.co/datasets/lianghsun/wikipedia-zh-filtered.