lianghsun/tw-apple-daily-1B

Dataset Card for tw-apple-daily-1B 本資料集收錄 2003–2022 年間繁體中文公開新聞報導文本，總 token 數約 1B（10 億），可作為大規模臺灣新聞語料的補充預訓練來源。每筆樣本以結構化文字呈現新聞分類、發布時間、標題、關鍵字、描述與正文。 Dataset Details Dataset Description 資料以 2003–2022 年間之繁中新聞報導為主，內容涵蓋政治、社會、財經、論壇專欄等多元主題。本資料集將原報導頁面解析後輸出為純文字，並在每篇前段保留以下結構化欄位： 新聞分類：... 新聞發佈時間：YYYY-MM-DDTHH:MM:SSZ 新聞標題：... 關鍵字：... 新聞描述：... 新聞內容： （正文） 可作為新聞文體、時事語境、論壇專欄寫作風格的繁中模型訓練資料。資料夾中另附 post-processing.py 提供基本後處理邏輯。 Curated by: Huang Liang Hsun Language(s)… See the full description on the dataset page: https://huggingface.co/datasets/lianghsun/tw-apple-daily-1B.