binhvq / news-corpus Goto Github PK

Sorry anh, có phải server đang down không ạ? Từ hôm qua (12/06/2021) em không còn tải được data từ domain 103.140.38.25

Anh kiểm tra giúp em với ạ, cảm ơn anh nhiều ạ

Hi Binh,
First of all, thank you for this great work.
I downloaded the full_text version and looked at the data, it seems like you put all articles together without an empty line between them. So there is no way to split article.
Therefore, I want to download the CSV version hoping it is article-separable. But couldn't access the link you gave. Could you fix it and update the README or drop a new link here, please? Thanks in advance.

Dear anh Bình và team,
Em là Thành, đã từng request 1 version dataset của anh 2 năm trước #5. Nhờ bộ dataset đó em và cộng đồng đã có thể train rất nhiều model cho tiếng Việt.
Em mở issue này để hỏi liệu anh có thể release bộ dataset up-to-date nhất được không ạ? Em có thể hỗ trợ phần clean up và tạo huggingface dataset cho bộ dữ liệu này.
Về sau em cũng mong muốn có thể lấy dump của dataset này e.g monthly để có thể train những model mới hơn.
Em cảm ơn anh và team!

Anh có thể public source code chuẩn hóa để tạo file có format như demo-full.txt không ạ ?
Em đang chuẩn hóa bộ dữ liệu 21/05 và muốn reproduce lại pipeline chuẩn hóa cũ và có thể cải thiện thêm.
Em cảm ơn anh nhiều ạ.

Em muốn hỏi là sắp tới anh có kế hoạch update bộ dữ liệu này không ạ? Em đang thấy bộ dữ liệu news-corpus hiện tại là dump đến 2018/12/17 chưa có các thông tin về Covid19, về tổng thống Mỹ mới, ...

Cảm ơn anh Bình và team đã public bộ dữ liệu này cho cộng đồng.

bạn có thể cho mình xin lại link corpus không a?

Hi @binhvq
Thank you very much for your great work.

I cannot download the CSV file, could you fix the link?

CSV V2
Size: 5.6GB, Uncompress ~49GB Download: http://103.140.38.25/corpus/corpus-cate-csv-2019-24-03.7z

Thanks in advance.

Dạ cho em hỏi ở bước PunktSentenceTokenizer abbrev là mình làm gì ạ, em chưa hiểu lắm ạ

Full TXT V2
Kich thuoc: 5GB, Uncomress ~27.5GB Download: http://103.140.38.25/corpus/corpus-full-20181217.7z?fbclid=IwAR1JVzoxe-Q4pZAwm7w9rswdeTNeB_gpecB-Pze13dvLDNtYWI4lQKkGsjI

Tôi download ko dc, bạn có thể sửa dc ko?