Contenuto in:
Capitolo

HQWiki: A Universal Pipeline for High-Quality Monolingual Dataset Creation

  • Iaroslav Chelombitko
  • Aleksey Komissarov

Creating high-quality monolingual datasets poses significant challenges due to cross-language contamination, metadata noise, and inconsistent quality control, especially for less-resourced languages. We present HQWiki, a pipeline for extracting and validating clean monolingual content from Wikipedia. The framework introduces universal approaches combining character set validation, context-aware filtering, and adaptive language detection. Evaluation across multiple language families demonstrated significant noise reduction while maintaining high accuracy in language identification. The modular architecture allows researchers to adapt filtering criteria for specific requirements, providing a foundation for systematic dataset creation across different language families.

  • Keywords:
  • dataset creation,
  • monolingual corpora,
  • Wikipedia processing,
  • language identification,
  • less-resourced languages,
+ Mostra di più

Iaroslav Chelombitko

Neapolis University Pafos, Cyprus - ORCID: 0009-0003-6843-0453

Aleksey Komissarov

aglabx, Cyprus

  1. Chelombitko, Iaroslav, and Aleksey Komissarov. 2024. “Specialized Monolingual BPE Tokenizers for Uralic Languages Representation in Large Language Models.” In Proceedings of the 8th International Workshop on Computational Linguistics for Uralic Languages, 115–25. Stroudsburg, PA: Association for Computational Linguistics. https://aclanthology.org/2024.iwclul-1.11/
  2. Chelombitko, Iaroslav, Egor Safronov, and Aleksey Komissarov. 2024. “Qtok: A Comprehensive Framework for Evaluating Multilingual Tokenizer Quality in Large Language Models.” arXiv preprint arXiv:2410.12989. https://arxiv.org/abs/2410.12989
PDF
  • Anno di pubblicazione: 2026
  • Pagine: 353-358

XML
  • Anno di pubblicazione: 2026

Informazioni sul capitolo

Titolo del capitolo

HQWiki: A Universal Pipeline for High-Quality Monolingual Dataset Creation

Autori

Iaroslav Chelombitko, Aleksey Komissarov

Lingua

Inglese

DOI

10.36253/979-12-215-1010-2.44

Opera sottoposta a peer review

Anno di pubblicazione

2026

Copyright

© 2026 Author(s)

Licenza d'uso

CC BY 4.0

Licenza dei metadati

CC0 1.0

Informazioni bibliografiche

Titolo del libro

Wikidata e la ricerca. Condividere esperienze / Wikidata and Research. Sharing Experiences

Sottotitolo del libro

Atti del Convegno, Firenze, 5-6 giugno 2025 / Conference proceedings, Florence, 5-6 June 2025

Curatori

Elena Marangoni, Camillo Carlo Pellizzari di San Girolamo

Opera sottoposta a peer review

Numero di pagine

378

Anno di pubblicazione

2026

Copyright

© 2026 Author(s)

Licenza d'uso

CC BY 4.0

Licenza dei metadati

CC0 1.0

Editore

Firenze University Press

DOI

10.36253/979-12-215-1010-2

ISBN Print

979-12-215-1009-6

eISBN (pdf)

979-12-215-1010-2

Collana

Studi e saggi

ISSN della collana

2704-6478

e-ISSN della collana

2704-5919

11

Download dei libri

14

Visualizzazioni

Salva la citazione

1.503

Libri in accesso aperto

in catalogo

3.436

Capitoli di Libri

6.234.628

Download dei libri

5.673

Autori

da 1201 Istituzioni e centri di ricerca

di 67 Nazioni

77

scientific boards

da 416 Istituzioni e centri di ricerca

di 46 Nazioni

1.414

I referee

da 411 Istituzioni e centri di ricerca

di 41 Nazioni