BookCorpus

BookCorpus （也稱Toronto Book Corpus ）是一個數據集，包含網際網路上收集的約 11,000 本未出版書籍的文本。它是用於訓練OpenAI的GPT初始版本的主要語料庫^[1]，並用作包括谷歌的BERT^[2]在內的，其他早期大型語言模型的訓練數據。 該數據集包含約 9.85 億單詞，涵蓋了多種類型的書籍，包括浪漫小說、科幻小說和奇幻小說。

多倫多大學和麻省理工學院的研究人員在 2015 年的一篇題為「Aligning Books and Movies: Towards Story-like Visual Explanations by Watching Movies and Reading Books」的論文中介紹了該語料庫。作者將其描述為「由尚未出版的作者撰寫的免費書籍」^[3][4]。 該數據集起初託管在多倫多大學的網頁上。 原始數據集不再公開，但多倫多大學創建了一個鏡像版本 BookCorpusOpen。 雖然在 2015 年的原始論文中沒有記錄這個網站，但現在已知的刪除語料庫書籍的網站是Smashwords 。