书籍类电子或文本数据-小说
包含文学、小说、诗歌，EPUB/Kindle MOBI格式，支持LLM文学语料训练、长文本理解与文本生成。
文本文档预训练特征提取语义匹配文本生成教育文化/历史英语更新时间 2026·06·08
数据集简介
主要数据内容包括：英文公共版权（Public Domain）电子书数据经典文学、小说、诗歌与历史文献资源EPUB、Kindle MOBI 等电子书格式数据面向 Kindle、iPad、Android 等设备的阅读资源涵盖文学、哲学、科幻、悬疑等多类别书籍内容聚合 Project Gutenberg、Standard Ebooks 等开放电子书资源支持的能力方向包括：电子书文本语料训练LLM 文学语料预训练长文本理解与生成多格式文档解析数字阅读与 EPUB 结构分析知识抽取与文本检索多模态阅读系统训练适用于：大语言模型（LLM）训练电子书阅读器研发数字图书馆与知识库构建文本生成与文学风格学习EPUB 解析工具开发教育与阅读类 AI 应用
数据质量
记录时效性
按需更新
记录结构化
NDJSON、JSON、CSV、XLSX、Parquet，支持定制化
记录云交付
Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive
记录标准化
为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。
记录代表性
数据覆盖全量业务场景，样本均衡，具备行业代表性
文本文档预训练特征提取语义匹配文本生成教育文化/历史英语
