procesaur/Wiki.sl

Wiki korpusi v slovenščini Sveža različica, 1. maj 2026! Očiščen in filtriran nabor štirih projektov: Wikipedia, Wikivir, Wikiknjige in Wikinavedki. Več kot 146.000 kuriranih člankov z več kot 130 milijoni besed. Vsak dokument je v ločeni vrstici JSON. Novi metapodatki! Kategorije, število besed (in odstotek ciriličnega besedila) Možnost filtriranja nabora po jeziku ali projektu.	Wiki corpora in Slovenian language Fresh version, 1. May 2026! Cleaned and filtered set of four projects: Wikipedia, Wikisource, Wikibooks and Wikiquotes. Over 146,000 curated articles, with over 130 million words. Each document is in a separate JSON line. New metadata! Categories, number of words (and percentage of Cyrillic text) Possible to filter the set by language or project.
Število dokumentov Wikipedia Wikivir Wikicitati Wikiknjige Skupaj Slovene 🇸🇮 128,303 16,702 1,335 305 146,645
Število besed Wikipedia Wikivir Wikicitati Wikiknjige Skupaj Slovene 🇸🇮 68,892,264 62,046,537 250,916 625,851 131,815,568

# Nalaganje samo wikinavedki
dataset = load_dataset("procesaur/WikiTriglav", split="wikiquote")
print(dataset[1]["text"])

1 Navedki
* Pot k umetnosti ne vodi skozi udoben aleje brezkrbnosti in sanj....

# Filtriranje po metapodatkih
filtered = dataset.filter(lambda example: example["subject"] == "Pisatelji")
print(f"{filtered[0]["title"]}\n{filtered[0]["text"]} )

Ernest Hemingway
1 Navedki
* ''Vsaka zgodba se začne s prvim stavkom in s tem mislim, resničnim stavkom...''...

Cite

@misc{škorić2026wikidumpstrainingcorpora,
      title={Wiki Dumps to Training Corpora: South Slavic Case}, 
      author={Mihailo Škorić},
      year={2026},
      eprint={2604.25384},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2604.25384}, 
}

Editor

Mihailo Škorić

@procesaur