MGen：数百万自然语境中的泛型句数据集

MGen是一个包含超过400万条自然出现的泛型句和量化句的数据集，这些句子提取自多样化的文本来源。数据集中的句子拥有长上下文文档，对应网站和学术论文，并涵盖11种不同的量化词。我们分析了数据集中泛型句的特征，得出了一些有趣的见解：泛型句可以是长句（平均超过16个词），且说话者常使用它们来表达关于人的概括。MGen是规模最大、最多样化的自然泛型句数据集，为大规模泛型计算研究打开了大门。该数据集可在 https://gustavocilleruelo.com/mgen 公开获取。