Datasets:

renhehuang
/

traditional-chinese-classification

text stringlengths 3 4.45k	text_length int64 30 4.45k	language_type stringclasses 2 values	total_score int64 3 9	mainland_terms stringclasses 61 values	source_type stringclasses 1 value	fragment_length int64 30 4.45k	fragment_index int64 0 596	fragment_start float64 -1 38.1k ⌀	fragment_end float64 30 38.2k ⌀	original_text stringlengths 30 4.45k ⌀
受伤躺在病床上的沙热古丽·沙依塔这些天来一直在寻找送她到医院的出租车驾驶员，她说：“这个汉族小伙子是我的救命恩人，他在我紧张得连话都说不出来的时候，帮我拨通了女儿的电话，送我到医院…	91	簡體中文	3	null	sentence_fragment	91	29	2,101	2,192	null
这组数据给我们老师提了个醒，以后对于咱自己的健康真得长点儿心，不能再忽视大意了。	40	簡體中文	3	null	sentence_fragment	40	30	2,235	2,275	null
超级划算做工很好卡纸很厚看着很有档次的具体有多少张我没数不过挺多的但不是书的形式每个手工都是单独的一张卡纸颜色非常好没有重影或者印花的现象孩子很喜欢。	75	簡體中文	3	挺	sentence_fragment	75	0	0	75	null
那些加了我微信天天哈哈哈233说我是逗逼段子手脑洞少女的人，在我最近经历了一些不想爬起来的挫折时匪夷所思的问我你怎么跟那个你不一样？	67	簡體中文	3	微信	sentence_fragment	67	1	104	171	null
召开村社党员干部大会定发展规划要搞好干部队伍建设，领头人都没有脱贫意识怎么行?初步与村班子接触后，我便暗暗下定决心，要用党建教育来增强干部队伍的脱贫意识，提高这支队伍的“战斗力”。	90	簡體中文	3	null	sentence_fragment	90	4	357	447	null
同时，我们进行了入党积极分子培养计划，为村班子早早的培养了“下一代”。	35	簡體中文	3	null	sentence_fragment	35	7	536	571	null
调查摸底——发展致富带头人作为一名人民警察，调查摸底可是我的专长。	33	簡體中文	3	null	sentence_fragment	33	11	795	828	null
“只要有人先富起来，我相信村民肯定都会加入，最后整个村都会富起来的。	34	簡體中文	3	null	sentence_fragment	34	20	1,265	1,299	null
我们用这笔钱打通了这条通天路，开启了村上第一个产业——黑山羊养殖，也培养起了第一批致富带头人——邱凯与康杨莉。	55	簡體中文	3	null	sentence_fragment	55	23	1,614	1,669	null
于是图书馆就充满了一股浓浓的麻辣烫味今天我看到有人在吃甘蔗我并不想装逼的说谢邀，觉得自己很专业！	49	簡體中文	3	null	sentence_fragment	49	1	57	106	null
但我依然感谢邀请，这问题简直是对我的量身定做啊，作为一个天生的奇葩磁铁体制，简直！	41	簡體中文	3	null	sentence_fragment	41	2	106	147	null
所以，我已习以为常，但是我说的是智商正常的情侣党，如果是脑残的情侣党，原谅我，我真的已经在脑内剧场拿板砖拍死你们数万遍了！	61	簡體中文	3	null	sentence_fragment	61	4	196	257	null
但，就我多年出警的经验，一般情况这类女孩（智商在80以上）生活的都不错，毕竟社会经验太丰富了，可以把老公吃的死	55	簡體中文	3	null	sentence_fragment	55	3	216	271	null
这样的衣服最大的好处是：穿上它时，你的胸会把整件衣服撑起来，很自然就能遮盖让人苦恼的小肚子，然而它剪裁勾勒你的腰身也很恰如其分。	64	簡體中文	3	null	sentence_fragment	64	4	314	378	null
而那种，长长的，戴在衣服外面，一般垂到腹部高度的项链，请尽量避免，因为MM的胸高会导致项链离腹部太远，并在走动时大幅度的前后摆动，想必这也不是你想要的效果。	78	簡體中文	3	null	sentence_fragment	78	14	1,029	1,107	null
就餐环境好服务也好菜品味道都好非常喜欢尤其是麻辣兔头过瘾意犹未尽.我们会经常去的.不知搞团购不哈哈期待中.	53	簡體中文	3	null	sentence_fragment	53	0	0	53	null
茂名石化:“临时保卫队”确保装置平稳生产“国勇，等下你安排一个外操和你，跟我一起去巡查GB301等装置的重点设备。	57	簡體中文	3	null	sentence_fragment	57	0	0	57	null
来，骚年，给你个实例，我刚被坑过的： template class Singletonpublic static T getInstance if instance instance new T return instance private static T instance这样就已经挂了。	148	簡體中文	3	null	sentence_fragment	148	0	54	202	null
东西还可以的买过很多次了快递越来越慢了怎么说呢比外面便宜一点放心一点吧但是美瞳还是不算便宜美瞳宁愿自己去三叶买的	58	簡體中文	3	null	sentence_fragment	58	0	0	58	null
进去见到F医生，椅子都没让我上，一边洗手一边看了我一眼，就说拔四颗（我上牙整齐，有龅牙，下牙有问题，已经拔了4颗智齿），去拍片体检咬模吧。	69	簡體中文	3	null	sentence_fragment	69	4	220	289	null
所以这里我想请教下各位，特别是牙科医生们，我的做法有哪些不合适，或者如何做才能更好的跟医生沟通，毕竟身体是自己的，我要对他负责。	64	簡體中文	3	null	sentence_fragment	64	8	560	624	null
最后特变感谢下伦二嫂的细心解答，他帮我认识到了很大的问题。	30	簡體中文	3	null	sentence_fragment	30	19	1,300	1,330	null
间隔年：因为我们从小到大被灌输的观念都是老老实实上学毕业工作结婚生孩子老死什么？	40	簡體中文	3	null	sentence_fragment	40	0	25	65	null
童鞋们，自慰与私处颜色（俗称“”黑木耳“”）没有一毛钱的关系，这绝对是靠谱的！	39	簡體中文	3	null	sentence_fragment	39	1	104	143	null
锅盖盖不住雾气缭绕，白色的鱼香不短冲击我的鼻子及同行三位小妞的脸蛋子，据她们说这种蒸汽美容养颜，全把脸凑桌子边上熏着去了，但是我的脑海中却浮现的是三个鱼头小妞，鲶鱼头。	84	簡體中文	3	null	sentence_fragment	84	4	237	321	null
服务员小伙态度不错，靠窗的位置较冷，正炖着那就想换到包房去，小伙子一句废话没有立刻行动，折腾的我都不好意思了，还的把鱼捞出来，汤也是一勺勺倒腾得，重要的是没有一丝不耐烦，满脸笑容。	90	簡體中文	3	null	sentence_fragment	90	6	363	453	null
之后根据你对目录结构的理解确定文件阅读的顺序（我反正都是从main函数开始读的）。	41	簡體中文	3	null	sentence_fragment	41	2	142	183	null
字比较大看起也不内里面说到内容还真的很实用的好多自己不知道可以慢慢学习	39	簡體中文	3	null	sentence_fragment	39	0	0	39	null
过年的时候去吃的，拖到现在才点评，汗~可能是过年的原因，店里吃饭的人不是特别多。	40	簡體中文	3	null	sentence_fragment	40	0	0	40	null
特色鱼头蛮诱人的，红红的辣椒铺满了整个鱼头，把传统的湖南菜做出了重庆菜的感觉，可惜辣归辣，不是很麻。	50	簡體中文	3	null	sentence_fragment	50	2	76	126	null
三叔真的是商人啊，从他一开始把老九门往淘宝上连载，然后网剧拍得那么烂，植入广告那么多，却只是在微博上卖萌就觉得他在作为同人写手红了以后只是一心向钱。	74	簡體中文	3	null	sentence_fragment	74	0	23	97	null
生煎很好吃，其他的饭菜也很实惠，夏天吃有点咸，总体来说不错的啦。	32	簡體中文	3	null	sentence_fragment	32	0	27	59	null
▼ “肉蟹控”一定听过“胖哥俩”不管在哪里开业都会引起轰动大排长龙的那种！	37	簡體中文	3	null	sentence_fragment	37	1	124	161	null
叫号时间：16:30●优惠活动不包括酒水、茶位●优惠期间，每桌还可以获得手感超好的肉蟹公仔噢一只~ 一下子原价能吃两个煲这可要叫上爸爸妈妈叔叔阿姨基友闺蜜的能大口吃肉还不怕胖，嘿~嗱，宝宝还get到了一张菜单~每一个煲都想吃的那种！	116	簡體中文	3	null	sentence_fragment	116	4	320	436	null
（点大图看清楚点~）胖哥俩之所以火爆就是因为这些“超有料”的煲！	33	簡體中文	3	null	sentence_fragment	33	5	436	469	null
香浓酱汁搭配新鲜肉蟹，再加入鸡爪、豆腐、土豆、年糕等食材，一上桌就闻到了香味，肉蟹诱人的性感红更让人“流晒口水”~ 胖哥俩用的是孟加拉野生海蟹，肉厚鲜嫩，搭配微辣的秘制浓汤酱汁，超满足der！	96	簡體中文	3	土豆	sentence_fragment	96	6	486	582	null
壳薄肉甜，吃起来一点都不狼狈~ 去过胖哥俩的吃货都说，原本是奔着肉蟹去的，结果鸡爪也同样惊艳！	47	簡體中文	3	null	sentence_fragment	47	8	631	678	null
鸡爪炖煮至软烂入味，吸收了酱汁的鲜甜，啖啖胶原蛋白~肥美软糯，吃起来毫不费力，简直是用撸的！	46	簡體中文	3	null	sentence_fragment	46	9	678	724	null
一开始让我尝牛蛙，我是拒绝的...万万没想到，最后是抢着吃的牛排煲牛排肉经过多道工序，最后加入浓汤酱汁和配菜炖煮至入味，分量超足！	66	簡體中文	3	null	sentence_fragment	66	12	857	923	null
▼高颜解渴的饮品们咖啡星冰乐冰沙与咖啡的完美结合，加上奶油和巧克力酱的点缀，很清爽~超级马里奥 “奥利奥控”别错过这一款噢！	63	簡體中文	3	null	sentence_fragment	63	14	985	1,048	null
用奥利奥特调，每一口都是奥利奥碎末，很过瘾~一“炮”打天下拉大队豪吃的宝宝点一炮饮料就最“抵”了，性价比很高呢~还有超多选择多到选择困难病发的那种！	75	簡體中文	3	null	sentence_fragment	75	15	1,048	1,123	null
香蕉牛奶和芒果牛奶是用奶瓶上的，香香甜甜，就是太久没用奶瓶喝neinei，好害羞~（反正朋友圈素材Get）胖哥俩走进店内就感受到浓浓的工业风还有很多卡座，加上有格调的灯光私人空间很充足跟朋友一起吃饭很舒适呢~ 还融入了很多海洋元素！	116	簡體中文	3	null	sentence_fragment	116	16	1,123	1,239	null
店名丨胖哥俩地址丨东莞市厚街镇厚街万达三楼3006B铺（坐地铁从寮厦站出来就到啦！	41	簡體中文	3	null	sentence_fragment	41	17	1,239	1,280	null
也可以从个人角度谈谈，综合评比，说到都是我个人的观点，一家之言，你们看着不爽随便喷：总体来说上海略好于北京，深圳相对弱。	61	簡體中文	3	null	sentence_fragment	61	1	56	117	null
不知道怎么最近这地方就火了当时是在微博还是哪里看到的组织大家过去坐车陈庄下地方很舒服感觉下车了很像海南的道路	58	簡體中文	3	null	sentence_fragment	58	0	0	58	null
现在已经成了吃小海鲜就会想到的地方因为去旁边的锅一烧而路过的地方，本以为是倪式海泰旗下的会很贵，谁知道一进去就被菜单吓了一跳，还真是便宜的说现在已经吃遍了这里所有的菜和主食，写下自己不喜欢的，剩下的都OK：卤水蚍蛴香螺因为我比较喜欢吃酱爆口味的。	123	簡體中文	3	null	sentence_fragment	123	0	18	141	null
和老公两个人怎么吃也超不过100大米由于经常去，和几个服务员都混的比较熟了，其实他们的服务态度还真是挺好的，就是服务员的数量太少啦所以有时候忙不过来。	75	簡體中文	3	挺	sentence_fragment	75	1	225	300	null
啤酒不凉是个问题，有两次去都赶上了别的客人投诉啤酒的问题，还有一个破口大骂说扎啤是馊的呵呵。	46	簡體中文	3	null	sentence_fragment	46	2	300	346	null
有一次碰上别的桌的客人吃螃蟹，我也蠢蠢欲动，结果一问，倪式海泰那边儿的海鲜这里都能点，做好了送过来，螃蟹168一斤。	58	簡體中文	3	null	sentence_fragment	58	3	346	404	null
办了会员400元，以后就这家了~~就是预约时间长.基本都提前一个月预约好了~~生意很兴隆啊~~呵呵	49	簡體中文	3	null	sentence_fragment	49	1	58	107	null
墙纸能不大白水泥就不大白水泥，其实不建议特别暗色系，但是如果做主题类型的，或是创意点儿的，暗色系也有奇效。	53	簡體中文	4	null	sentence_fragment	53	0	39	92	null
我记得之前有一家烤肉店，店里的墙纸是那种黑色的上面有手绘的画和字，感觉像是员工们自己弄上去的，又觉得不是特别正经到无聊，又觉得有创意有奇趣还有点小艺术。	76	簡體中文	3	null	sentence_fragment	76	1	92	168	null
莲安路上虽然很多家饭店，实在是不知道去哪家吃了，就去他家了，紫薯就是蘸了紫色的粉里面还是普通的红薯，回锅肉还不错，山药鱼片还挺不错。	66	簡體中文	3	挺	sentence_fragment	66	0	0	66	null
结果PJ真的拍的也很棒，所以一部连一部，三部下来各个叫好又叫座。	32	簡體中文	3	null	sentence_fragment	32	2	166	198	null
前边那几句都是说我怎么怎么有才学，但是这世道怎么怎么不够意思，没有那么难理解，就不一一翻译了。	47	簡體中文	3	null	sentence_fragment	47	2	270	317	null
谈及滑板、滑梯、竹竿等扒火车36技，成龙表示大家为了把这几场戏拍牛逼点，大脑和身体都掏空了。	46	簡體中文	3	null	sentence_fragment	46	5	294	340	null
成龙坦言这次不太一样是因为“重团队，轻个人”，以往作品里的孤胆英雄这次化身一帮不正规的小人物，而从当日发布的“干大事”版预告片里也能看出来，这是一群小人物要干大事的故事。	85	簡體中文	3	null	sentence_fragment	85	6	369	454	null
不过黄子韬拍摄后期全身起水痘，丁晟称赞黄子韬特别爷们，为了不耽误大家拍摄不管多痒都上。	43	簡體中文	3	null	sentence_fragment	43	10	621	664	null
有时候水痘太痒了自己扒拉不了就发脾气，不是我想，是控制不住那种感觉，特别烦躁，但是我想没什么克服不了，就上了。	55	簡體中文	3	null	sentence_fragment	55	12	695	750	null
食物也就不多说了，老说也就那几样，有的食客觉得每家味道不太一样，有好有差，可能我没那么敏感，觉得标准挺统一的，只是有的赶上汁浇多了一点，有的浇少了一点，我喜欢汁多的，所以浇少了我就找他再要点汁呗！	98	簡體中文	5	挺	sentence_fragment	98	3	169	267	null
中国地质大学武汉两位老师合资的，服务员都是用的在校学生，给学生锻炼的机会，也解决生活问题，挺好的。	49	簡體中文	3	挺	sentence_fragment	49	0	0	49	null
这是一家开张不久的店，类似于久久鸭和绝味的店，供应东西的品种也差不多，味道么还可以，因为是新店感觉整个的装修比；	56	簡體中文	3	null	sentence_fragment	56	0	0	56	null
点了养生牛肉面，本来是冲着那碗汤去的，但是这次汤很淡，面很硬，但也有亮点，里面的牛肉特别烂，味道特足。	51	簡體中文	3	null	sentence_fragment	51	0	0	51	null
大名鼎鼎啊，朋友听说我在番禺都会问番禺有个鸡邨，有没去吃过？	30	簡體中文	3	null	sentence_fragment	30	0	0	30	null
吃完干锅，我们想再吃个火锅，于是我们叫服务员给我们菜单点吃火锅的菜，那个服务员是负责我们这块的就是之前饮料的那个服务员，我们坐的靠吧台这边，桌数不多，给了我们菜单就之就走了，自个站在吧台那发呆！	97	簡體中文	3	null	sentence_fragment	97	3	345	442	null
火锅真一般其实干锅二吃变火锅本身也不好吃，我承认，但是上上来的冻豆腐真不行，那个真是冰冻的冻豆腐！	49	簡體中文	3	null	sentence_fragment	49	4	450	499	null
作为像小编一样的吃瓜群众对于在太空生活的航天员真的很好奇，在地面上最普通的吃穿休息这些事儿在太空里是不是完全不一样？	58	簡體中文	3	null	sentence_fragment	58	1	85	143	null
了解了这些，小编觉得航天员真的很了不起，祝他们在太空的日子一切顺利身体健康！	38	簡體中文	3	null	sentence_fragment	38	15	1,221	1,259	null
澳洲移民评估施行打分制，留学移民之路，就是为了更好的凑满移民分，那么目前来看，移民分达到60分是有可行性的，65要耐心等待，70基本保证有戏的，大部分留学党拿到50分是没问题的，另外10-20分，是和职业相关的，也就是和大家的学习专业息息相关。	122	簡體中文	3	null	sentence_fragment	122	20	1,512	1,634	null
但是那个主管貌似对我的回答不满意，还说她问的这个问题其实比较宏观，但是我只回答这么一点。	44	簡體中文	3	null	sentence_fragment	44	3	219	263	null
“要一碗” 她动作娴熟的很快就弄好了一碗，双手捧着递给我，我把钱递给她时，她	38	簡體中文	3	null	sentence_fragment	38	6	472	510	null
心里清楚但是非要抖机灵，嘴上分个清楚的人我不太理解是什么心理。	31	簡體中文	3	null	sentence_fragment	31	1	79	110	null
对于想做一个吃完串串身上还香喷喷的美女子的我，简直太合我意了！	31	簡體中文	3	null	sentence_fragment	31	3	205	236	null
▼长签五毛短签三毛好吃不贵经济实惠为了回馈临潼人民的热情，老板这次要放大招了！	41	簡體中文	3	null	sentence_fragment	41	4	236	277	null
活动时间：即日起至10月31日（活动最终解释权归本店所有）什么方式才是今冬你最理想的打开方式十月过半的临潼已瑟瑟刺骨眼看 2016 余额所剩无几及时行乐才是年末正确的收官动作你还能窝在家里憋大招么快牵上闺蜜一起到?“嘉州上上签”闺蜜同行一人免单！	123	簡體中文	3	null	sentence_fragment	123	7	383	506	null
活动时间：即日起至10月31日（活动最终解释权归本店所有）撸串地址：临潼区健康北路和文化中路交叉口向东20米撸串电话：029-83938886 17189008333 嘉州上上签——世界上最好吃的串串味道永远是每家串串的秘密，1000家串串就会有1000种味道。	133	簡體中文	3	null	sentence_fragment	133	12	889	1,022	null
每个包间也是设计得别出心裁，但是包间数量有限，记得提前预定哦！	31	簡體中文	3	null	sentence_fragment	31	21	1,649	1,680	null
撸串地址：临潼区健康北路和文化中路交叉口向东20米撸串电话：029-83938886 17189008333-- 广告推广 --	64	簡體中文	3	null	sentence_fragment	64	22	1,788	1,852	null
杨诚诚在现场大玩各种打击乐器，活泼可爱，并在打击演奏家的指导下加入临时组成的「打击乐团」，全程气氛high翻天。	56	簡體中文	3	null	sentence_fragment	56	1	113	169	null
成都达内：硬盘和内存的区别，看了你就明白很多购买电脑的同学仍然还不清楚内存和硬盘到底有什么区别，在电脑里面有什么作用，容易把内存当硬盘或把硬盘当内存，下面小编通俗易懂的来给大家讲讲硬盘跟内存有和区别，在电脑中分别扮演的是什么角色。	115	簡體中文	3	null	sentence_fragment	115	0	0	115	null
硬盘与内存区别说到内存，很多人容易将电脑里面的内存条跟内存卡之类的混淆，其实，电脑里面的内存跟手机运行内存是一样的，它们都是运行内存。	67	簡體中文	3	null	sentence_fragment	67	1	115	182	null
硬盘的话一般都是用来存储数据的，相当于数据仓库，比如系统，都是安装在硬盘里面，你所下载的软件和文件都保存的也是在硬盘里，与内存条没半毛钱关系。	71	簡體中文	4	null	sentence_fragment	71	5	496	567	null
实名鄙视小小马边境地区牧羊犬以七桑钝初王弓虽这些装x的。	34	簡體中文	3	null	sentence_fragment	34	5	277	311	null
来的时候正好还在装修MS已经不知道几几几年前了味道一般甚至有点小奇怪的说也算是在市中心了吧旁边就是香格里拉婚纱摄影也算是一条龙了你说是吧	71	簡體中文	4	null	sentence_fragment	71	0	0	71	null
想要开办一个午托晚托班，毫无门路，怎么样更有效的招收生源?1 放学，在学校门口发传单，最好送一些小礼物，铅笔啊，气球啊之类的。	63	簡體中文	3	null	sentence_fragment	63	0	0	63	null
4 开始学生肯定不多，慢慢来，口碑好了，不用宣传都有人找上门来。	32	簡體中文	3	null	sentence_fragment	32	1	111	143	null
最喜欢他家的小核桃，那个味道实在嗲，不过价格是一年比一年贵啊，我怀孕那会儿每天都吃多，上瘾啊~~ 三个月胖了快二十斤！	59	簡體中文	3	null	sentence_fragment	59	0	0	59	null
后来发现有个好享来的西餐厅，开始以为是山寨版的雅泰来，但是这几年发展得很火，大有李鬼战胜李逵的趋势。	50	簡體中文	3	null	sentence_fragment	50	0	18	68	null
--------------更------ 在家休息调整了两天，一直没开问答社区第一次问，看到这么多回答确实挺兴奋认真看了每一个回答，各有千秋，感谢我也没把问题描述清楚，不过不重要了，提问目的已经达到了信念，力量，智慧，相信自己，尽力去做就可以了简单的这几十个答案也印证了些道理有的人总是对自己充满阳光信心有的人愿意选择人云亦云有的人喜欢已自己的能力去衡量他人大家都平凡普通，是思想让我们不一样感觉到，不一样的思想，不一样的态度，不一样的选择，	230	簡體中文	3	挺	sentence_fragment	230	1	88	318	null
不一样的做法，不一样的价值观，社会也确实需要不同的人存在我也是一普通的可能昨天路过你身边的某个普通青年，还年轻，还需要指导，之前随心一问，感谢各位的回答，收益了啦 ---------再更-------------- 分享一下关于月入过万，我之前依靠的是中介模式，顺势，资源整合，具体可以私聊关于这20万，你的收入等于你常伴左右五个人的平均值关于那些答案，真心回答的我都真诚感谢，	191	簡體中文	3	null	sentence_fragment	191	2	318	509	null
里面有哈根达斯哦~很好吃~我想说哈根达斯那么贵是有原因的~因为味道确实好爱她就请她吃哈根达斯~O_O~单球32元~双球58元~小杯42元~品脱110元~冰激凌蛋糕298元~冰激凌火锅268元虽然有点贵~但是我觉得绝对值这个价位~我要了双球~草莓果仁~里面大块的草莓跟果仁~吃起来甜而不腻~果肉很新鲜~也不是很冰~因为料下的足所以才卖的贵~吃完两个球意犹未尽啊~最新消息哦~今天在拉手网团购原价32的单球只需要15元哦~下面链接注册然后购买就ok了哦超级划算哦~http//www.inviteri6J225qKm6Jaw今天拉手网冰激凌火锅只需要120元哦~快去上面的网址看看吧~2011年1月24日	300	簡體中文	3	null	sentence_fragment	300	0	0	300	null
1945年亚洲第一繁华的大城市， 1945年亚洲第一个普及抽水马桶的城市 1945年就规划建地铁的城市 2016年还没有通地铁的城市一个出租车起步价5块的省会一个出租车不管亮不亮灯都会拼车的城市一个公交车报站带广告的城市一个所有非东北籍学生来了这上大学第一想法就是后悔报这里的城市这个城市里只有两个地方像大城市的样子，一个是万达，一个是吉大。	176	簡體中文	3	null	sentence_fragment	176	0	12	188	null
ps在长春市里随便转转，但凡是宽阔点的街道和看上去挺漂亮的建筑，大多是	35	簡體中文	3	挺	sentence_fragment	35	1	188	223	null
娱乐参考本来想好好重新写写的，但是这么晚了，我还是粘贴复制了）。	32	簡體中文	3	null	sentence_fragment	32	0	59	91	null
好吧正式从2014年接触摄影开始到今天，我还是觉得有必要咱们来谈谈摄影成本这个事了。	42	簡體中文	3	null	sentence_fragment	42	1	91	133	null
先说说以前吧，那个时候我的时候生活中并没有“摄影”这两词儿。	30	簡體中文	3	null	sentence_fragment	30	2	133	163	null
刚收到书感觉不错作者书中的几个例子都不多尤其是KMV数值计算技巧呵呵支持作者一下	41	簡體中文	3	null	sentence_fragment	41	0	0	41	null
开票小妹一脸不耐烦，说明已经打上了不能换，要么再点一份饭，但谁吃得了那么多嘞？	39	簡體中文	3	null	sentence_fragment	39	4	164	203	null
先被服务员气饱，再吃得超级不爽，不写出来真对不起迎门遇到的那张GS嘴脸！	36	簡體中文	3	null	sentence_fragment	36	6	429	465	null
难得想喝珍珠奶茶时就一定去的店这家的小珍珠很Q很好吃多加3块钱的珍珠和1块钱椰果硬是把6块的奶茶喝成了10块的每次老公和点单的都会笑死额难般7么就要7了色意呀如果想这么喝要记得关照少糖呵呵~否则甜的来~	101	簡體中文	3	null	sentence_fragment	101	0	0	101	null

End of preview. Expand in Data Studio

Traditional Chinese vs Simplified Chinese Classification Dataset

Dataset Summary

This dataset contains 205,850 labeled and class-balanced Chinese text snippets in Traditional and Simplified Chinese, designed for training and evaluating models that classify Traditional Chinese variants (Taiwan Traditional vs. Mainland Traditional). It is carefully constructed to cover diverse sources, length distributions, and domains to encourage strong generalization.

Key Characteristics

Total samples: 205,850
Class balance: perfectly balanced (Simplified: 102,925 / Traditional: 102,925)
File format: Parquet (≈47 MB compressed; ~32.7% smaller than CSV)
Average text length: 40–90 characters (includes long-text segments)
Multi-source: sentence fragments, full sentences, paragraph segments
Quality control: includes metadata such as Mainland-term score and lexical annotations

Supported Tasks

Traditional Chinese variant classification (Taiwan Traditional vs. Mainland Traditional)
Text origin/variety identification
Data cleaning and standardization pre-processing
Cross-domain Chinese NLP research

Dataset Structure

Features

Feature	Type	Description
`text`	string	Main text content (for training and inference)
`text_length`	int	Character length of the text
`language_type`	string	Label (`簡體中文` or `繁體中文`)
`total_score`	int	Mainland-term score (1–5; higher indicates stronger Mainland traits)
`mainland_terms`	string	Detected Mainland-specific terms (may be empty)
`source_type`	string	Source type (`sentence_fragment`, `full_sentence`, etc.)
`fragment_length`	int	Length of the fragment
`fragment_index`	int	Index of the fragment in the original text
`fragment_start`	float	Start position of the fragment
`fragment_end`	float	End position of the fragment
`original_text`	string	Original full text (if applicable)

Splits

The default config provides the full dataset. Users are encouraged to create train/validation/test splits as needed:

from datasets import load_dataset
from sklearn.model_selection import train_test_split

# Load dataset
dataset = load_dataset("renhehuang/traditional-chinese-classification", split="train")

# Recommended split: 80% train / 10% validation / 10% test
# Use stratify to maintain class balance

Example

{
  "text": "這組數據給我們老師提了個醒，以後對於咱自己的健康真得長點兒心，不能再忽視大意了。",
  "text_length": 40,
  "language_type": "簡體中文",
  "total_score": 3,
  "mainland_terms": "",
  "source_type": "sentence_fragment",
  "fragment_length": 40,
  "fragment_index": 30,
  "fragment_start": 2235.0,
  "fragment_end": 2275.0,
  "original_text": null
}

Data Collection & Processing

Sources

Aggregated from multiple public and internally curated corpora, including:

📰 News articles (both sides of the Strait)
💬 Social media (cleaned and de-identified)
📚 Book and literary excerpts
🛒 E-commerce reviews (product descriptions and user reviews)
🗣️ Forums and Q&A platforms

Processing Pipeline

Glyph-conversion validation: OpenCC for consistent Simplified/Traditional conversion
Lexical annotations: automatic detection of Mainland/Taiwan region-specific terms (e.g., "軟件/軟體", "視頻/影片")
Length-stratified sampling: balanced coverage across text lengths
Deduplication: similarity-based removal of near-duplicates
Quality filtering: removal of samples with excessive foreign characters, symbols, or garbled text
Balancing: under/over-sampling to achieve class balance

Labeling Method

Automatic: rules based on origin, glyphs, and lexical features
Human review: expert checks for borderline cases (~5% of samples)
Consistency checks: cross-validation to ensure label accuracy

Usage

Basic Loading

from datasets import load_dataset

# Load full dataset (Parquet format for faster IO)
dataset = load_dataset("renhehuang/traditional-chinese-classification")

# Inspect the first record
print(dataset['train'][0])

Train/Validation Split

from datasets import load_dataset

dataset = load_dataset("renhehuang/traditional-chinese-classification", split="train")

# 80/20 split while preserving class balance
split = dataset.train_test_split(test_size=0.2, stratify_by_column="language_type", seed=42)
train_dataset = split['train']
val_dataset = split['test']

print(f"Train: {len(train_dataset)}")
print(f"Validation: {len(val_dataset)}")

Integration with Transformers

from datasets import load_dataset
from transformers import AutoTokenizer

dataset = load_dataset("renhehuang/traditional-chinese-classification", split="train")
tokenizer = AutoTokenizer.from_pretrained("ckiplab/bert-base-chinese")

def preprocess(examples):
    # Map labels to integers
    labels = [0 if label == "簡體中文" else 1 for label in examples["language_type"]]

    tokenized = tokenizer(
        examples["text"],
        truncation=True,
        max_length=384,
        padding="max_length"
    )

    tokenized["labels"] = labels
    return tokenized

# Batch processing
tokenized_dataset = dataset.map(preprocess, batched=True, remove_columns=dataset.column_names)

Long-Text Handling

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("ckiplab/bert-base-chinese")

def chunk_text(text, max_length=384, stride=128):
    """Chunk long texts with sliding windows"""
    encoding = tokenizer(
        text,
        truncation=True,
        max_length=max_length,
        stride=stride,
        return_overflowing_tokens=True,
        return_attention_mask=True,
        padding="max_length"
    )
    return encoding

# Chunk an over-length sample
long_text_sample = dataset['train'].filter(lambda x: x['text_length'] > 384)
if len(long_text_sample) > 0:
    chunks = chunk_text(long_text_sample[0]['text'])
    print(f"#chunks: {len(chunks['input_ids'])}")

Use Cases

✅ Recommended

Text classification training: fine-tuning Transformers (BERT, RoBERTa, etc.)
Origin variety identification: infer TW vs. Mainland usage
Data cleaning: standardizing mixed-corpus resources
Cross-domain transfer learning: as a pretraining resource
Benchmarking: evaluation bed for Chinese NLP models

⚠️ Limitations & Notes

Hong Kong Traditional excluded: only Taiwan Traditional and Mainland Traditional
Domain bias: higher share of social media and news; fewer professional domains (medical, legal)
Temporal coverage: collected up to Oct 2025; latest internet slang not guaranteed
Code-mixing: small proportion of zh–en mixed texts may affect purely monolingual tasks
Label ambiguity: ~2–3% borderline samples (generic lexicon, literary styles)

🚫 Not Recommended

Hong Kong Traditional classification (requires additional labeling)
Classical Chinese/literary analysis (modern text focus)
Ultra-short text (< 10 characters; consider filtering)
Highly specialized domains (augment with domain data)

Evaluation & Baselines

Verified Model

Using this dataset, renhehuang/bert-traditional-chinese-classifier achieved:

Accuracy: 87.71%
F1: 0.8771
Training samples: 156,824 (subset of this dataset)

Recommended Metrics

Accuracy (overall)
F1 score (macro/weighted)
Confusion matrix
Stratified performance by text length

Baseline Training Setup

from transformers import Trainer, TrainingArguments

training_args = TrainingArguments(
    output_dir="./results",
    evaluation_strategy="epoch",
    learning_rate=2e-5,
    per_device_train_batch_size=16,
    per_device_eval_batch_size=16,
    num_train_epochs=4,
    weight_decay=0.01,
    save_strategy="epoch",
    load_best_model_at_end=True,
    metric_for_best_model="eval_accuracy",
)

Ethics & Fairness

Privacy

✅ All personally identifiable information (PII) removed or anonymized
✅ No sensitive political, religious, or racial content included
✅ Social media content de-identified

Bias & Fairness

⚠️ Potential source-side bias (media stance)
⚠️ No balancing on gender/age demographics
⚠️ Skew toward certain topics (tech, entertainment)

Usage Guidance

Avoid discriminatory applications: do not use to disadvantage specific regions
Human-in-the-loop: add human review for critical decisions
Ongoing monitoring: track fairness metrics after deployment
Transparency: disclose dataset source when training models

License & Citation

License

This dataset is released under CC BY 4.0 (Creative Commons Attribution 4.0 International):

✅ Commercial use
✅ Modification and derivatives
✅ Distribution and re-licensing
⚠️ Attribution required

Citation

If you use this dataset, please cite:

@misc{traditional-chinese-classification-dataset,
  title = {Traditional Chinese vs Simplified Chinese Classification Dataset},
  author = {Huang, Renhe},
  year = {2025},
  month = {10},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/renhehuang/traditional-chinese-classification}},
  note = {205,850 balanced samples for Traditional/Simplified Chinese classification}
}

Related Resources

🤗 Model: renhehuang/bert-traditional-chinese-classifier
📊 Project repo: GitHub
📝 Technical report: see project README

Maintenance & Updates

Version History

v1.0 (2025-10-29): Initial release, 205,850 samples

Known Issues

Most original_text fields are null (reserved for future expansion)
Some mainland_terms annotations may be incomplete
fragment_start/end can be NaN for full-sentence samples

Roadmap

Add Hong Kong Traditional label (planned v2.0)
Expand professional domains (medical, legal, finance)
Provide pre-split train/val/test sets
Add multimodal data (images, ASR transcripts)

Contact

Dataset issues: open a Discussion on the Hugging Face dataset page
Model-related: use GitHub Issues
Collaboration: contact via Hugging Face private messages

Appendix: Quick Stats

# Dataset statistics (summary)
{
  "total_samples": 205850,
  "labels": {
    "簡體中文": 102925,
    "繁體中文": 102925
  },
  "file_format": "parquet",
  "file_size_mb": 47.09,
  "compression": "snappy",
  "avg_text_length": 56.3,
  "median_text_length": 48,
  "min_text_length": 10,
  "max_text_length": 384,
  "source_types": {
    "sentence_fragment": "~85%",
    "full_sentence": "~10%",
    "paragraph": "~5%"
  }
}

Acknowledgements

Thanks to all data providers, annotators, and the open-source community. Special thanks to:

CKIP Lab (base BERT model)
OpenCC (Simp/Trad conversion)
Hugging Face (dataset hosting)
All users who provided feedback and suggestions

Downloads last month: 15

Size of downloaded dataset files:

49.4 MB

Size of the auto-converted Parquet files:

49.4 MB

Number of rows:

205,850

Models trained or fine-tuned on renhehuang/traditional-chinese-classification

renhehuang/bert-traditional-chinese-classifier

Text Classification • Updated 4 days ago • 50 • 2