Update README.md

README.md

@@ -13,7 +13,32 @@ dataset_info:
     num_examples: 5686275
   download_size: 651456196
   dataset_size: 847526347
+task_categories:
+- translation
+language:
+- zh
+- ja
+pretty_name: cc
 ---
 # Dataset Card for "CCMatrix-v1-Ja_Zh-filtered"
+------
+Filtered and modified version of Japanese/Chinese language pair data from [CCMatrix v1](https://opus.nlpl.eu/CCMatrix.php).
 
-[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)
+Process steps:
+1. Basic regex based filtering / length checking to remove abnormal pairs.
+2. Semantic similarity filtering with a threshold value of 0.6, based on [sentence-transformers/LaBSE](https://huggingface.co/sentence-transformers/LaBSE).
+3. Convert all Traditional Chinese sentences into Simplified Chinese with [zhconv](https://github.com/gumblex/zhconv).
+------
+经过过滤和修改的日语/中文语言对数据，来自[CCMatrix v1](https://opus.nlpl.eu/CCMatrix.php)。
+
+处理步骤：
+1. 基本的基于正则表达式的过滤/长度检查，以删除异常对。
+2. 基于[sentence-transformers/LaBSE](https://huggingface.co/sentence-transformers/LaBSE)的语义相似性过滤，阈值为0.6。
+3. 使用[zhconv](https://github.com/gumblex/zhconv)将所有繁体中文句子转换为简体中文。
+------
+以下はフィルタリングされ修正された日本語/中国語のペアデータです。データ元は[CCMatrix v1](https://opus.nlpl.eu/CCMatrix.php)です。
+
+処理手順：
+1. 正規表現に基づくフィルタリング/長さのチェックを行い、異常なペアを削除します。
+2. [sentence-transformers/LaBSE](https://huggingface.co/sentence-transformers/LaBSE)に基づくセマンティック類似性フィルタリングを行い、閾値は0.6です。
+3. [zhconv](https://github.com/gumblex/zhconv)を使って、すべての繁体字中国語の文を簡体字中国語に変換します。