README.md

metadata

language:
  - ug
  - zh
  - en
license: apache-2.0
library_name: datasets
tags:
  - translation
  - dictionary
  - uyghur
  - chinese
  - english
  - multilingual
task_categories:
  - translation
size_categories:
  - 1M<n<10M

维吾尔语多语言词典数据集

维吾尔语-汉语-英语多语言词典数据集，适用于大型语言模型(LLM)微调训练。

数据集统计

数据集	条目数	大小	语言方向
ug-cn.jsonl	3,079,016	456 MB	维吾尔语 ⟷ 汉语
ug-en.jsonl	685,836	108 MB	维吾尔语 ⟷ 英语
en-ug.jsonl	705,534	112 MB	英语 ⟷ 维吾尔语
ug-ug.jsonl	139,920	46 MB	维吾尔语释义
cn-cn.jsonl	127,646	39 MB	汉语释义

总计: 4,737,952 条（双向）/ 约 236 万唯一对

数据格式

{
  "instruction": "请翻译以下维吾尔语词汇",
  "input": "مەركىزى",
  "output": "中心的，中央的"
}

字段说明：

• instruction: 任务指令
• input: 输入文本
• output: 输出文本

使用示例

import json

with open('uyghur_data/output/ug-cn.jsonl', 'r', encoding='utf-8') as f:
    for line in f:
        data = json.loads(line)
        print(f"输入: {data['input']}")
        print(f"输出: {data['output']}")

数据来源

• Gheyret 词典 (~37万条)
• Tilkan 词典数据库 (150MB)
• Bilkan 词典 (5方向)
• Online Dictionary (~33万条)

文件位置

uyghur_data/output/
├── ug-cn.jsonl      # 维汉数据集
├── ug-en.jsonl      # 维英数据集
├── en-ug.jsonl      # 英维数据集
├── ug-ug.jsonl      # 维维释义
└── cn-cn.jsonl      # 汉汉释义

---

版本: 1.0 | 更新: 2025-03-01