File size: 3,070 Bytes
4251638 b759886 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 |
---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
dataset_info:
features:
- name: text
dtype: string
splits:
- name: train
num_bytes: 986780351
num_examples: 311237
download_size: 550489937
dataset_size: 986780351
---
# 한국어 위키 데이터셋(Ko_wiki)
* 개요
- 이 데이터셋은 한국어 위키 데이터를 기반으로 만들어졌습니다. 원본 위키 데이터를 처리하기 위해 wikiextractor.py를 사용하여 텍스트 형식으로 변환하였습니다.
- 이 데이터셋을 제작한 주요 취지는 한국어 자연어 처리 연구와 애플리케이션 개발에 사용할 수 있는 광범위한 텍스트 데이터를 제공하기 위함입니다.
* 데이터 구조
- text: 위키 문서의 본문을 포함하는 문자열입니다.
* 사용 방법
1. huggingface dataset과 map을 활용하는 방법
```python3
from datasets import load_dataset
ko_dataset = load_dataset("text",
"daje/ko_wiki",
split="train",
streaming=True)
ko_wiki_tokenized = ko_dataset.map(lambda x : tokenizer(x["text"],
max_length=256,
padding="max_length",
truncation=True),
remove_columns=["text"])
```
2. 파이썬 스크립트를 사용하는 방법
```
import os
from tqdm import tqdm
from transformers import AutoTokenizer
import argparse
parser = argparse.ArgumentParser()
parser.add_argument('--input_path', type=str)
parser.add_argument('--output_path', type=str)
parser.add_argument('--model_name_or_path', type=str)
parser.add_argument('--max_seq_length', type=int, default=256)
parser.add_argument('--add_sep', default=True, action='store_true')
args = parser.parse_args()
def get_num_lines(fname):
res = os.popen(f'wc -l {fname}').read()
lines = res.strip().split()[0]
return int(lines)
def main(args):
seq_length = args.max_seq_length - 3 # room for [BOS], [EOS], [UNK]
input_fs = open(args.input_path, 'r')
output_fs = open(args.output_path, 'a')
total_line = get_num_lines(args.input_path)
tokenizer = AutoTokenizer.from_pretrained(args.model_name_or_path)
buffer = []
for doc in tqdm(input_fs, total=total_line):
tokens = tokenizer.tokenize(doc)
buffer += tokens
if args.add_sep:
buffer += [tokenizer.eos_token] # 자신이 사용하는 tokenizer에 맞추어서 eos, sep을 넣으시면 됩니다.
while len(buffer) > seq_length:
text = ' '.join(buffer[:seq_length])
output_fs.write(text)
output_fs.write('\n')
buffer = buffer[seq_length:]
input_fs.close()
output_fs.close()
if __name__ == '__main__':
main(args)
```
|