commoncrawlの検索結果1 - 2 件 / 2件

• あとで読む

  Statistics of Common Crawl Monthly Archives by commoncrawl

  • 7 users
  • commoncrawl.github.io
  • テクノロジー
  • 2023/02/12

  Number of pages, distribution of top-level domains, crawl overlaps, etc. - basic metrics about Common Crawl Monthly Crawl Archives Latest crawl: CC-MAIN-2024-33 View the Project on GitHub Distribution of Languages The language of a document is identified by Compact Language Detector 2 (CLD2). It is able to identify 160 different languages and up to 3 languages per document. The table lists the per

  • 機械学習
  • あとで読む
• あとで読む

  CommonCrawlの生データをダウンロードして解析する練習｜Kan Hatakeyama

  • 3 users
  • note.com/kan_hatakeyama
  • テクノロジー
  • 2024/03/07

  はじめに大規模言語の事前学習には、Webデータを片っ端からダウンロードしたサイト(CommonCrawl, CC)が大活躍します。 普通はCCを使いやすい形で加工したコーパスを用いるのですが、今回は生データにアクセスして解析してみました。 ファイルをダウンロードする兎にも角にも、ファイルをダウンロードすることから作業が始まります。 URLリストを取得するまずは上記CCのサイトにアクセスし、どの年のデータをダウンロードしたいか選択します。 次に、warc.path.gzをダウンロードします。 こちらには各データへのURL一覧が格納されています。 備考: WARC,WAT,WETとは?「warc」、「wat」、「wet」という用語は、Common Crawlのコンテキストで使用されるファイル形式を指します。Common Crawlは、インターネットの広範囲にわたるウェブページをクロールし、その

  • データ