VNTQcorpus(small).txt

• Kích thước : ~35 Mb. 
• Số lượng câu : khoảng 300.000 câu.
  
• Trích xuất từ khoảng 1.000 bài báo trên vnthuquan.net
  
• Dữ liệu không có phân loại theo thể loại, nhưng tập trung vào thể loại văn bản nghệ thuật.
  
• Đã qua xử lý cơ bản như :
  
• chỉnh sửa lại những kí tự lỗi khi chuyển từ html sang dạng text.
  
• loại bỏ những câu giống nhau.
  
• loại bỏ những câu có thể không phải tiếng Việt. (dựa vào thống kê các kí tự đặc trưng của tiếng Việt như : ả, ạ, á, ã, ...)

VNTQcorpus(big).txt

• Kích thước : ~240 Mb. 
  
• Số lượng câu : khoảng 1.750.000 câu.
  
• Trích xuất từ khoảng 13000 bài báo trên vnthuquan.net
  
• Dữ liệu không có phân loại theo thể loại, nhưng tập trung vào thể loại văn bản nghệ thuật.
• Đã qua xử lý cơ bản như :
  
• chỉnh sửa lại những kí tự lỗi khi chuyển từ html sang dạng text.
  
• loại bỏ những câu giống nhau.
  
• loại bỏ những câu có thể không phải tiếng Việt. (dựa vào thống kê các kí tự đặc trưng của tiếng Việt như : ả, ạ, á, ã, ...)