Finnish Language Text Corpus
This is a Finnish news headlines text corpus. This dataset is a collection of news headlines and short summaries of text, organized by date, into csv files. The intended use of this data is machine learning or similar use case. The remainder of this document will be in Finnish.
Tämä on iltapäivälehtien otsikoista koottu tekstikorpus. Tämä arkisto sisältää uutisotsikoista koottuja tekstejä csv-tiedostoina. Jokaisesta uutisesta on tallennettu otsikko, lyhyt lisäteksti, kuva-linkki, sekä julkaisupäivämäärä. Arkisto on järjestetty kronologisesti.
Tämä arkisto koostuu useasta tiedostosta (shard) joista jokainen sisältä saman verran rivejä (1000). Nämä osat on luotu aikajärjestyksessä, eli shard-0 sisältää vanhimmat julkaistut artikkelit, ja suurin shard numero sisältää uusimmat artikkelit. Jokainen csv-tiedosto sisältää sarakeotsikot ensimmäisellä rivillä.
| Sarake | Kuvaus | Tyyppi |
|---|---|---|
paivamaara |
alkuperäinen julkaisupäivä | ISO 8601 (UTC) |
otsikko |
uutisartikkelin otsikko | string, NOT NULL |
tiivistelma |
lisäteksti | string, NULL |
kuva |
artikkelin kuva (URL) | string, NULL |
id |
uniikki tunniste | string, NOT NULL |
Jokaisella julkaistulla artikkelilla on uniikki tunniste, ja tiedostoja kerätessä on varmistettu että tämä korpus ei sisällä kaksoiskappaleita. Jos haluat enemmän tietoa jostain uutisartikkelista, se on on mahdollista tunnisteen avulla, mutta ei mukana tässä arkistossa. Päivitän tätä korpusta kuukausittain.
| Vuosi | Lukumäärä |
|---|---|
| 2024 | 18804 |
| 2023 | 41276 |
| 2022 | 40875 |
| 2021 | 38922 |
| 2020 | 42937 |
| 2019 | 48699 |
| 2018 | 9142 |
| 2017 | 249 |
| 2016 | 157 |
| 2015 | 66 |
| 2014 | 17 |
| 2013 | 1 |
| 2012 | 14 |
| Yhteensä | 241159 |
Vanhin artikkeli: 2012-01-01
Uusin artikkeli: 2024-06-30
Tiedostojen lukumäärä: 242
Tämä on kronologinen kokoelma artikkeleja. Voit rajata kokoelmaa esim. tunnisteiden perusteella.
| Vuosi | Ensimmäinen | Viimeinen |
|---|---|---|
| 2024 | FFD672D52C594F0FB58FB0E295EB3EF8 |
|
| 2023 | 178E3C24DEB04188AFD601E28F71115F |
FB8143D7A2E048409E8CB61279225BD7 |
| 2022 | F958F8B650D24923BA7B66EB968E9147 |
6C86A434AB254A3C96B577794EDE4F67 |
| 2021 | C8695FAF6FA548A4887678FCC91275CF |
4E9ABCA927F1473A94AA2A4A17B82F4F |
| 2020 | 91EC5FB8EC88429588DC33EB1F0AD285 |
E4C877777DAA4F9599CF4600D5EC477A |
| 2019 | 08B54A39B9B5438B9CB94CE548D5321F |
DF6A0D528F5F4041BC2AEEE156937EFC |
| 2018 | 201712282200634312 |
0FF72F755B554FA889147BFBACAAE724 |
Footnotes
-
Tämä korpus alkaa virallisesti päivämäärästä 4.11.2018. Osa artikkeleista on alun perin huomattavasti vanhempia. Vanhempia artikkeleja on muokattu alkuperäisen julkaisupäivän jälkeen, mistä syystä kyseiset artikkelit ovat ilmestyneet Iltalehden sivustolle uudestaan, ja siten päätyneet osaksi tätä korpusta. Vanhempien artikkelien kokoelma (ja vuoden 2018 ensimmäisen artikkelin tunniste) saattaa muuttua. ↩
-
Palvelin oli hetkellisesti pois päältä 11.8-28.8.2021. Tämän ajanjakson artikkeleja on lisätty korpukseen jälkikäteen. ↩