PulseAugur
中
实时 13:29:59
English(EN) Institutional Newspapers Pipeline: Deriving billions of high quality tokens from historical newspapers

管道从历史报纸中提取数十亿词元

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了机构报纸管道（Institutional Newspapers Pipeline），这是一个模块化系统，旨在从历史报纸扫描件中提取高质量、结构化数据。该管道与波士顿公共图书馆合作开发，对扫描件进行分段，执行光学字符识别（OCR），然后分析文本的各种特征，如命名实体和主题分类。由此产生的开放数据集包含来自近150万份1795年至1930年间出版的报纸扫描件的超过160亿个词元，使得历史公共生活记录在计算上更易于访问。 AI

影响 通过使海量文本档案在计算上易于访问，从而能够进行新形式的历史研究和数据分析。

排序理由 该项目描述了一篇研究论文，其中详细介绍了一种处理历史文件的新方法和数据集。[lever_c_demoted from research: ic=1 ai=0.7]

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

管道从历史报纸中提取数十亿词元

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该项目描述了一篇研究论文，其中详细介绍了一种处理历史文件的新方法和数据集。[lever_c_demoted from research: ic=1 ai=0.7]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, infra
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
17 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. Hugging Face Daily Papers TIER_1 English(EN) ·

    机构报纸管道：从历史报纸中提取数十亿高质量词元

    A modular pipeline extracts structured text and metadata from historical newspaper scans using small interpretable models, yielding a large open dataset.

相关实体

相关话题