Dataset Card for tw-finance-159M

本資料集收錄臺灣金融、財經、產業類新聞與專題文章之繁體中文文本，總 token 數約 159M（159 百萬），可作為繁中模型在「臺灣財經語境」下的補充預訓練語料。

Dataset Details

Dataset Description

資料來自繁體中文公開財經、產業類報導，內容涵蓋：

• 房地產／社會住宅政策
• 產業動態（科技、餐飲、農業、能源等）
• 個人理財、消費議題
• 商業活動／企業合作

每筆樣本以 text 為主文，搭配 token_count、word_count、url、updated_at 等 metadata，方便後續清理、去重與時間追蹤。

• Curated by: Huang Liang Hsun
• Language(s) (NLP): Traditional Chinese
• License: cc-by-nc-sa-4.0

Dataset Sources

• Repository: lianghsun/tw-finance-159M
• Paper: TBA

Uses

Direct Use

• 補強繁中模型對臺灣金融／財經議題、產業用詞、政策議題的覆蓋。
• 衍生財經 chatbot、產業摘要、新聞分類等下游任務之資料來源。

Out-of-Scope Use

• 不得作為投資建議；資料為新聞報導，不等於財務分析。
• 不適用作為即時資訊（股價、稅率、政策條件）之來源；資料反映報導當下狀況。
• 商用前請評估原報導之著作權與授權狀態。

Dataset Structure

{
  "text": "（財經類繁中報導樣本）...",
  "token_count": 355,
  "word_count": 397,
  "url": "https://example.com/...",
  "updated_at": "2024-11-04"
}

Dataset Creation

Curation Rationale

通用繁中語料中，財經類文本比例不一，且許多專業術語與政策制度高度在地化（例如：社宅、健保補充保費、ETF 配息）。本資料集針對該領域做集中蒐集，補強模型在臺灣財經語境上的覆蓋。

Source Data

Data Collection and Processing

1. 蒐集繁體中文公開財經、產業類報導。
2. 移除版面雜訊與廣告區塊，保留段落結構。
3. 計算字元數與 token 數，附上原 URL 及 updated_at 時間戳。

Who are the source data producers?

原始報導由各原作者撰寫並公開於網路。

Annotations

Annotation process

無人工標註。

Who are the annotators?

無標註者。

Personal and Sensitive Information

資料來自公開新聞報導，所提及之人名與機構名稱屬已公開資訊。

Bias, Risks, and Limitations

• 媒體編輯選題具偏好；資料覆蓋面以財經主流媒體為主，未必代表所有產業面向。
• 報導內容反映特定時點的市場與政策狀況，會隨時間過時。
• 部分樣本為新聞稿、廣告軟文，下游使用前可考慮再做篩除。

Recommendations

建議與其他繁中通用語料一同混訓並控制比重；下游若用於財經 chatbot，請結合 RAG 取最新主管機關公告再行回答。

Citation

@misc{tw_finance_159m,
  title        = {tw-finance-159M: Traditional Chinese Finance and Industry News Corpus from Taiwan (159M tokens)},
  author       = {Huang, Liang Hsun},
  year         = {2024},
  howpublished = {\url{https://huggingface.co/datasets/lianghsun/tw-finance-159M}}
}

Dataset Card Authors

Huang Liang Hsun

Dataset Card Contact

Huang Liang Hsun