Towards a Cleaner Document-Oriented Multilingual Crawled Corpus
Paper • 2201.06642 • Published
Datasets:
Tasks:
Text Generation
Modalities:
Text
Formats:
parquet
Languages:
Portuguese
Size:
10M - 100M
ArXiv:
id int64 0 1.23M | text stringlengths 101 1M |
|---|---|
0 | Queria há muito experimentar esta receita pois pareceu-me uma excelente receita de bacalhau sem ser o tipico bacalhau com natas. O resultado foi muito satisfatório, apenas achei que fica pouco consistente mas eu usei mais bacalhau, batatas, natas e leite de resto nada a apontar. Da próxima farei com as quantidades da r... |
1 | Ao lermos a obra de António Damásio – Sentir e Saber | A caminho da consciência – do Círculo de leitores | Temas e Debates, 2020, a páginas 156, demos com o seguinte parágrafo que deixamos aqui ao(à) nosso(a) leitor(a) para análise e reflexão:
“(...) a dor da vergonha social é comparável à de um cancro terminal, a trai... |
2 | Hoje o brinde é um pouco diferente. após clicar na imagem acima você precisa fazer uma conta no site da loja Tum Yeto. Lembre-se de colocar o seu endereço corretamente e então eles vão enviar os adesivos para sua casa.
!
Solicitar
Publicidade
Inserido em: 17/12/2010 15:00:02
Brinde Grátis Pôster dos presidentes america... |
3 | O CERVAS irá abordar no ArribAves 2015 a experiência do BARN e do STRI, projectos desenvolvidos para a conservação de rapinas nocturnas.
"O CERVAS é uma estrutura que pertence ao Instituto da Conservação da Natureza e das Florestas (ICNF) / Parque Natural da Serra da Estrela (PNSE) e que se encontra actualmente sob a g... |
4 | Buscar em: Todo o repositório PÓS-GRADUAÇÃO SCTRICTO SENSU Pró-Reitoria de Pesquisa e Pós-Graduação Programa de Pós-Graduação em Ciência e Tecnologia Ambiental
por
Filtros correntes: Tipo de DocumentoOrientadorMembros da BancaAutoriaIdentificador de AutoriaResumo ou AbstractCNPqTítuloAutorAssuntoData de publicaçãoLiber... |
5 | Em primeiro lugar desculpa pelo sumiço....essa semana não postei nada....na verdade tenho uns 3 post´s parados, mas a vida de mãe não é fácil....mas hoje tem e é MEGA, ULTRA, SUPER especial....
Hoje vamos conhecer um pouco melhor a Bruna, do Blog Mãetamorfose !!!
Nome: Bruna Monteiro
Idade: 30 anos
Profissão: administr... |
6 | Blog de Lajes - Cabuginoticia - A NOTICIA TEM SUA VERDADE: MULHER É PRESA INSTALANDO "CHUPA CABRA" EM CAIXA ELETRÔNICO NA CIDADE DE AREIA BRANCA-RN
Lajes, uma Cidade entre Natal e Mossoró, venha conhecer nossas culturas, historias E o povo hospitaleiro. A TERRA DO BODE
ínicio
ÍNICIO
VÍDEOS
AMIGOS
LAJES E FAMÍLIA PROCÓP... |
7 | Blog de Lajes - Cabuginoticia - A NOTICIA TEM SUA VERDADE: VEICULOS QUE SERÃO UTILIZADOS EM CAMPANHAS MUNICIPAIS SÃO FISCALIZADOS PELA POLICIA AMBIENTAL
Lajes, uma Cidade entre Natal e Mossoró, venha conhecer nossas culturas, historias E o povo hospitaleiro. A TERRA DO BODE
ínicio
ÍNICIO
VÍDEOS
AMIGOS
LAJES E FAMÍLIA P... |
8 | Procuro um programador, com conhecimentos de php, css, mysql e jquery, para a realização de um script. |
9 | A Fundação LIGA desenvolve a sua ação assente num Sistema de Gestão da Qualidade de acordo com o referencial EQUASS Assurance (nível I). O sistema engloba um conjunto de políticas, processos e outros documentos orientadores que visam garantir a eficácia e eficiência da Organização no seu desempenho e o alinhamento com ... |
10 | Seguros Previdência e Vida, inclusive para para pessoas entre os 50 e os 74 anos sem precisar fazer exames médicos.
Seguro de saúde
Sem limite de idade de permanência.
Seguros Empresas
Previna sua empresa de custos com indenizações e obtenha incentivos fiscais.
Quero Seguro
Para todos os casos, Horizonte Sólido.
Faça u... |
11 | Exceto onde for informado ao contrário, o conteúdo neste wiki está sob a seguinte licença: GNU Free Documentation License 1.3 |
12 | It seems you have no tags attached to pages. To attach a tag simply click on the tags button at the bottom of any page.
Watchers
leswolfgram635759
Watch: site | category | page
Dicas A Fotografia, FIlmagem Bem como Casa
Your Blog » Dicas A Fotografia, FIlmagem Bem como Casa
01 Oct 2018 09:24
Tags
Previous: Author Blogu... |
13 | A espécie introduzida Tilapia rendalli é a única representante do gênero Tilapia da família Cichlidae nas regiões dos tabuleiros. |
14 | Estudantes estrangeiros da Universidade Estadual de Maringá (UEM), em situação de vulnerabilidade socioeconômica emergencial autodeclarada, têm a possibilidade de receber apoio socioeconômico por meio da concessão de um cartão alimentação, além de apoio psicológico. Esse auxílio é decorrente do programa da Prefeitura d... |
15 | IdiomaالعربيةBrasileiro简体中文ČeštinaDeutschEnglishEspañolFrançaisΕλληνικάH. Hausaहिन्दीItaliano日本語Kiswahili한국어Nederlan.PolskiRomânăРусскийไทย
⋯
Entrar
⚙️ Configurações
Eponina, Ernesto Nazareth
Arquivo por ano
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2001
2000
1... |
16 | Os cavaleiros de Rhovanion, aliados de Gondor, ancestralmente aparentados com os Edain; deles derivaram os "Éothéod". Também chamados "Homens livres do Norte". |
17 | logo-arvore close hamburguer facebook soundcloud instagram whatsapp mail branding campaigns events movies vertical-line arrow-down drop hand hand2 grains circle-close envelope box arrow-left arrow-right cases facebook2 email2 instagram2 soundcloud2 whatsapp2 download
campanhas
Serviços
Serviços
Cases
Cases
A Árvore
A Á... |
18 | Última Hora: "Remodelação no Governo. Novos secretários de Estado tomam posse na sexta-feira - RTP" Wed, 30 Nov 2022 07:45:20 GMT "Inflação sem energia acelerou para máximos de 1993. Alimentos estão mais caros - ECO" Wed, 30 Nov 2022 09:45:00 GMT "Maria do Céu Antunes: "Este é um plano estratégico para a agricultura mu... |
19 | O Cefuria tem como objetivo central contribuir para a formação política e a articulação dos movimentos populares de Curitiba e Região Metropolitana. Desde a criação, em 1981, o Centro utiliza a educação popular como ferramenta de trabalho com grupos de base, para o empoderamento dos/as trabalhadores/as na construção do... |
20 | A petista pediu indenização por ter sido perseguida, presa e torturada durante a ditadura militar (1964-1985).
O Ministério da Mulher, da Família e dos Direitos Humanos negou pedido de anistia da ex-presidente Dilma Rousseff. A petista pediu indenização por ter sido perseguida, presa e torturada durante a ditadura mili... |
21 | Essa foi a pergunta que me fiz quando vi a capa deste livro. Tenho pesquisado sobre a Umbanda já faz algum tempo e descoberto suas maravilhas, mas nunca tinha lido em nenhum lugar algo do tipo. O livro UMBANDA – A PROTO-SÍNTESE CÓSMICA (Ed. Pensamento) é considerado um clássico da literatura Umbandista e realmente me t... |
22 | A valência CATL da Santa Casa da Misericórdia de Arganil é, nos termos do regulamento interno da instituição, a resposta social desenvolvida em equipamento, destinada a crianças a partir dos seis anos de idade e a jovens, possibilitando-lhes atividades de animação nos seus tempos disponíveis, com capacidade para 100 cr... |
23 | Este é um widget de texto. O Widget de texto permite que você adicione texto ou HTML a qualquer barra lateral em seu tema. Você pode usar um widget de texto para exibir texto, links, imagens, HTML ou uma combinação desses elementos. Edite na seção Widget do Personalizador.
Crie um website ou blog gratuito no WordPress.... |
24 | About Light é um site colaborativo dedicado à fotografia. A ideia aqui é reunir fotógrafos, escritores, músicos, cineastas, artistas plásticos e qualquer pessoa que tenha uma boa ideia para um texto ou imagem sobre o tema.
O site é uma cria da Minotauro – revista mezzo literatura, mezzo imagem que edito com Diego Paleó... |
25 | Lorem ipsum dolor sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.
Sobre a Ana
Ana é associada sénior do escritório e exerce a sua ativ... |
26 | “O nascimento de uma Paisagem Protegida Local” e “Anilhar para Preservar” desenvolvidos pelos alunos de Biologia da turma 1201, no âmbito do programa Jovens Repórteres para o Ambiente (JRA), já distinguidos em janeiro e fevereiro como “melhor reportagem do mês” foram agora selecionados pelo Júri do Programa JRA como ve... |
27 | A pedido de variadíssimas empresas, de milhentas famílias e de numerosíssimos sujeitos em nome individual, o país está a precisar de uma terapia de choque que mande isto tudo para o reino silencioso da sucata, de onde ressuscitará após miraculosa intervenção da santificada e imaculada santa Justa de Aveiro.
O nome da s... |
28 | O dia 14 de julho está no calendário histórico do Estado, marcando a data em que Luís Galvez proclamou a república do Acre pela primeira vez. O evento aconteceria em dois outros momentos, mas este foi o início da revolução. Nesta segunda-feira, a data ficou esquecida, inclusive no centro histórico Quixadá, que permanec... |
29 | O ministro Carlos Alberto dos Santos Cruz deixou o comando da Secretaria de Governo. A saída foi definida no final da manhã de hoje (13), em reunião de Santos Cruz com Jair Bolsonaro no Palácio do Planalto e confirmada há pouco pelo Palácio do Planalto, que também anunciou que o general de Exército Luiz Eduardo Ramos B... |
30 | O projeto Portas Abertas estreita relações das unidades do grupo com alunos e professores do Ensino Médio; visitas e aulas virtuais apresentam o ambiente e a formação acadêmica
11/05/2021 às 19h50
Compartilhe:
FACEBOOK
Quem estuda no ensino médio vive a expectativa de passar no vestibular ou no Enem, com o objetivo de ... |
31 | Escritor e editor independente. Leitor crítico. Ghost-writer. Pesquisador de símbolos, mitos, lendas e folclore.
Consultoria
Serviços
Leitura Crítica
Romantização
Ghostwriting
Contato
Arte do Dia #254
By Alec Silva 00:18 Arte do Dia No comments
As ilustrações digitais de Roro Zhu.
Enviar por e-mailPostar no blog!Compar... |
32 | Em muitos países estão impulsionando a redução de sal marinho nas comidas. Inclusive, em muitos deles é obrigatório remover o sal da vista dos restaurantes para não incentivar seu consumo em grandes quantidades. Essas medidas nos faz perguntarmos: quão tão ruim é o sal? E sobre tudo, o que nos acontece quando deixamos ... |
33 | 19 de janeiro de 2013 sábado, dia livre. Nós dois estávamos sentindo os músculos das pernas e foi super bom ficar descansando por um dia inteiro apesar que olhando o pessoal esquiar me deu uma grande vontade de sair por pelo menos um tempinho, mas resisti pois acho que assim será melhor.
Só levantamos as 10 da manhã ... |
34 | Estética baseada na moto Falcon. Produzido em termoplástico de alta resistência com pigmentos à prova de raios UV (ultravioleta). Capacidade 22,0 litros. Cores: Azul, Vermelho, Cinza e Preto. Acompanham o Tanque: – tampa (sem chaves); …
Honda Nx 4 Falcon 400 2007: Ficha técnica completa. Motor, performance, dimensões, ... |
35 | Já escrevi aqui no blog sobre os 4 gigantes adormecidos em nós (clique aqui para ver o post), mas hoje … Mais |
36 | Vamos esquecer a ditadura em que os TPC podem tornar-se, e que as crianças deviam brincar mais do que trabalham. Os trabalhos de casa existem e têm de ser feitos - é com base nisso que temos de atuar.
Não se esqueça que certificar-se que os seus filhos fazem os trabalhos de casa é função sua, pelo menos enquanto eles s... |
End of preview. Expand in Data Studio
OSCAR-2301-PT (deduplicated)
OSCAR-2301-PT (deduplicated) is a curation from OSCAR-2301 in the Portuguese language, depuplicated by MinHash algorithm and Locality Sensitive Hashing, following the approach of Lee et al. (2022).
This version of the dataset is the portuguese subset from OSCAR-2301. OSCAR-2301 is a multilingual corpus extracted from the November/December 2022 dump of Common Crawl.
Statistics
We used 5-grams and a signature of size 256, considering two documents to be identical if their Jaccard Similarity exceeded 0.7.
- Number of docs. - before deduplication: 18,031,400
- Number of docs. - after deduplication: 10,888,966
- Duplicates: 39,61%
- Downloads last month
- 13