JaWiki

WikipediaのHTML形式のダンプファイルから抽出したテキストデータセットです。 Wikiextractorによって抽出したテキストデータと異なり、段落などの文書構造を維持したまま、不要なマークアップのないテキストが利用できます。

ダンプファイルは、2024年1月1日に公開されたものを利用しています。 また、各種NLPタスクに利用しやすいよう、様々なデータを同梱しています。

各種前処理スクリプトはGitHubのリポジトリをご参照ください。

データ構造

各レコードはWikipediaの記事一つに対応しています。 大まかなデータ構造と説明を以下に示します。

• id (int)
• title (str)
  • 記事タイトルです。
• text (str)
  • 各段落の文章(paragraphsのtext)を改行で結合したテキストです。
• paragraphs (list[dict[str, int | str]])
  • 記事中の段落の集合です。各段落は辞書型で表現されており、以下のデータ構造に基づきます。
    • paragraph_id (int)
      • 記事中で何番目の段落かを示す番号です。
    • tag (str)
      • 当該段落をマークアップしていたHTMLタグの名称です。
    • title (str | None)
      • 当該段落を含むセクションのタイトルです。
      • 存在しない場合もあります。
    • text (str)
      • 段落のテキスト本文です。
• abstract (str | None)
  • 記事の要約です。
  • ない場合もあります。
• wikitext (str)
  • wikitextによって抽出された記事本文です。比較・解析精度向上に資する目的でtextと併存しています。
• date_created (str)
  • 記事が作成された日付です。
• date_modified (str)
  • 記事が最後に編集された日付です。
• is_disambiguation_page (bool)
  • 曖昧さ回避のためのページかどうかを表す値です。templatesに含まれる文字列から判別しています。
• is_sexual_page (bool)
  • 性的な内容を含むページかどうかを表す値です。templatesに含まれる文字列から判別しています。
• is_violent_page (bool)
  • 暴力的な内容を含むページかどうかを表す値です。templatesに含まれる文字列から判別しています。
• templates (list[str])
  • 記事を作成する際に利用されたテンプレートのリストです。
• url (str)

データセットの作成にあたり、singletongue/wikipedia-utilsを参考に実装を行いました。 この場を借りて感謝申し上げます。