Update README.md

README.md

@@ -22,7 +22,69 @@ configs:
   data_files:
   - split: train
     path: data/train-*
+task_categories:
+- text-generation
+- fill-mask
+language:
+- zh
+size_categories:
+- 1M<n<10M
 ---
 # Dataset Card for "c4-chinese-zhtw"
 
-[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)
+## 內容
+
+Common Crawl 是一個非營利組織，負責抓取網路並向公眾免費提供其檔案和資料集。Common Crawl 的網路檔案包含自 2008 年以來收集的 PB 級資料。它一般每月完成一次抓取。
+
+Common Crawl 的爬蟲程式遵守 nofollow 和 robots.txt 政策。用於處理 Common Crawl 資料集的開源程式碼是公開可用的。
+
+這個繁中的數據來是來自 [Common Crawl](https://commoncrawl.org/overview) **2023-14** 的 data archive 下載并進行清理 。
+
+這是 [jed351](https://huggingface.co/jed351) 準備的版本，託管在這個位址：https://huggingface.co/datasets/jed351/Traditional-Chinese-Common-Crawl-Filtered
+
+## 支援的任務
+
+C4主要用於預訓練語言模型(pretrain language model)。
+
+## 範例
+
+一個樣本的範例:
+
+```
+{
+  'url': 'http://www.bilingtong.com/cpzx/96.html',
+  'timestamp': datetime.datetime(2023, 3, 21, 2, 12, 48),
+  'content_language': 'zho',
+  'content_type': 'text/plain',
+  'text': '新風系統是通過系統設計送風和排風使室內空氣存在一空氣 。無需開窗全天持續不斷有組.....'
+}
+```
+
+## 資料欄位
+
+資料有幾個欄位：
+
+- `url`: 來源 url
+- `timestamp`: 時間戳
+- `content_language`: 內容包含的語言種類
+- `content_type`: 內容類型，也稱為 MIME 或媒體類型，是 Web 伺服器回應標頭中的聲明
+- `text`：網頁清理後的文字內容
+
+
+## 數據清理
+
+請參考在 Github 上的專案 [c4-dataset-script](https://github.com/jedcheng/c4-dataset-script) 來了解數據下載與清理的相關邏輯與程式碼。
+
+主要的步驟有:
+
+1. Download the WET crawl archive index file
+2. Run download and Chinese screening script on Spark
+3. Filter out non-sentence lines and toxic document
+4. Remove duplicated text
+5. Remove documents that are over self-repeating - Repetition Removal in DeepMind MassiveText
+
+## 許可資訊
+
+請尊循 Common Craw terms of use 的條款。
+
+- https://commoncrawl.org/terms-of-use