---
license: cc-by-sa-4.0
language:
- zh
task_categories:
- text-generation
tags:
- celebrity
- Taiwan
- wikipedia
- pretrain
size_categories:
- 10K<n<100K
dataset_info:
  features:
  - name: text
    dtype: string
  - name: key
    dtype: string
  - name: url
    dtype: string
  - name: infobox
    sequence: string
  splits:
  - name: train
    num_bytes: 138257221
    num_examples: 13618
  download_size: 138257221
  dataset_size: 138257221
configs:
- config_name: default
  data_files:
  - split: train
    path: datasets.jsonl
---
# Dataset Card for tw-celebrity

<!-- Provide a quick summary of the dataset. -->
tw-celebrity 是一個台灣藝人與公眾人物的繁體中文百科資料集，包含 13,618 筆條目。每筆資料包含條目全文、條目識別字串、原始維基百科 URL 以及結構化的 infobox 資訊，適用於語言模型學習台灣演藝圈與公眾人物之背景知識。

## Dataset Details

### Dataset Description

<!-- Provide a longer summary of what this dataset is. -->
本資料集彙整自中文維基百科（[zh.wikipedia.org](https://zh.wikipedia.org/)）之台灣藝人與公眾人物條目，內容涵蓋歌手、演員、主持人、樂團、團體等多元類別。每筆條目包含條目全文、條目鍵值（key）、維基百科原始 URL 以及 infobox 結構化資訊（姓名、出生日期、職業、代表作等）。

- **Curated by:** [Liang Hsun Huang](https://www.linkedin.com/in/lianghsunhuang/?locale=en_US)
- **Language(s) (NLP):** Traditional Chinese
- **License:** CC BY-SA 4.0（依據維基百科原始授權）

### Dataset Sources

<!-- Provide the basic links for the dataset. -->

- **Repository:** [lianghsun/tw-celebrity](https://huggingface.co/datasets/lianghsun/tw-celebrity/)
- **Original Source:** [中文維基百科](https://zh.wikipedia.org/)

## Uses

<!-- Address questions around how the dataset is intended to be used. -->

### Direct Use

<!-- This section describes suitable use cases for the dataset. -->

本資料集主要設計用於：
* 語言模型在台灣演藝圈與公眾人物知識領域之持續預訓練，提升對台灣藝人背景之理解；
* 建構人物知識檢索系統（RAG）之語料庫；
* 訓練命名實體辨識（NER）與知識圖譜建構任務；
* 作為台灣娛樂產業研究之文本分析素材。

### Out-of-Scope Use

<!-- This section addresses misuse, malicious use, and uses that the dataset will not work well for. -->
本資料集不適用於下列用途：
* 作為人物傳記之權威來源，因維基百科內容由社群協作編輯，可能存在錯誤或未經查證之資訊。
* 用於生成針對個人之不實描述或誹謗內容。
* 用於侵犯當事人隱私或名譽之用途。
* 直接作為指令微調資料，因不包含對話結構。

## Dataset Structure

<!-- This section provides a description of the dataset fields, and additional information about the dataset structure such as criteria used to create the splits, relationships between data points, etc. -->
```jsonl
{
  "text": "183Club，簡稱183，喬傑立娛樂旗下的臺灣藝人團體，於2004年正式成立...",
  "key": "183club",
  "url": "https://zh.wikipedia.org/zh-tw/183club",
  "infobox": ["183Club\n組合\n音樂類型\n流行音樂\n出道地點\n台灣\n..."]
}
```

| 欄位 | 說明 |
|---|---|
| `text` | 條目全文（維基百科內文） |
| `key` | 條目識別字串（小寫化之條目名稱） |
| `url` | 中文維基百科原始條目 URL |
| `infobox` | 條目右側 infobox 之結構化欄位列表 |

| 統計項目 | 數值 |
|---|---|
| 條目數 | 13,618 |
| 檔案大小 | ~131.9 MB |
| 語言 | 繁體中文 |

## Dataset Creation

### Curation Rationale

<!-- Motivation for the creation of this dataset. -->

繁體中文語言模型在台灣公眾人物之知識涵蓋度不足，容易產生人物資訊錯誤或虛構事實的幻覺現象。本資料集彙整中文維基百科之台灣藝人條目，提供結構化且具參考價值的人物背景語料，協助語言模型建立對台灣演藝圈之基礎知識。

### Source Data

<!-- This section describes the source data (e.g. news text and headlines, social media posts, translated sentences, ...). -->

#### Data Collection and Processing

<!-- This section describes the data collection and processing process such as data selection criteria, filtering and normalization methods, tools and libraries used, etc. -->

條目資料取自中文維基百科之台灣藝人分類。每筆條目保留內文、條目識別字串、原始 URL 以及 infobox 欄位列表。

#### Who are the source data producers?

<!-- This section describes the people or systems who originally created the data. It should also include self-reported demographic or identity information for the source data creators if this information is available. -->

條目由中文維基百科之志願編者協作撰寫與維護。

### Annotations

<!-- If the dataset contains annotations which are not part of the initial data collection, use this section to describe them. -->

#### Annotation process

本資料集不包含額外標註。infobox 欄位為維基百科原始之結構化資料。

#### Who are the annotators?

不適用。

#### Personal and Sensitive Information

<!-- State whether the dataset contains data that might be considered personal, sensitive, or private (e.g., data that reveals addresses, uniquely identifiable names or aliases, racial or ethnic origins, sexual orientations, religious beliefs, political opinions, financial or health data, etc.). If efforts were made to anonymize the data, describe the anonymization process. -->
本資料集包含公眾人物之姓名、出生日期、經歷等個人資訊。所有資訊均為維基百科公開發表之內容，屬於當事人於公共領域之身份資訊。

## Bias, Risks, and Limitations

<!-- This section is meant to convey both technical and sociotechnical limitations. -->

* 維基百科條目由志願者協作撰寫，內容可能存在錯誤、過時或未經查證之資訊。
* 條目涵蓋度受限於維基百科社群之編輯活動，較知名之藝人條目內容豐富，冷門人物則可能僅有簡短條目。
* 條目內容可能反映編者之主觀觀點，特別是對具爭議性人物之描述。
* 資料擷取時點之條目內容為準，後續之修改不會反映於本資料集。

### Recommendations

<!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. -->

使用本資料集訓練或查詢公眾人物資訊時，應搭配其他權威來源進行交叉驗證。涉及個人名譽之應用場景應特別謹慎，避免產生誹謗或不實陳述。使用者應遵守維基百科之 CC BY-SA 4.0 授權條款，於衍生作品中適當標示來源。

## Citation

<!-- If there is a paper or blog post introducing the dataset, the APA and Bibtex information for that should go in this section. -->
```bibtex
@misc{tw-celebrity,
  title        = {tw-celebrity: Taiwan Celebrity Wikipedia Corpus},
  author       = {Liang Hsun Huang},
  year         = {2025},
  howpublished = {\url{https://huggingface.co/datasets/lianghsun/tw-celebrity}},
  note         = {13,618 Taiwan celebrity entries from Chinese Wikipedia with text and infobox.}
}
```

## Dataset Card Authors

[Liang Hsun Huang](https://www.linkedin.com/in/lianghsunhuang/?locale=en_US)

## Dataset Card Contact

[Liang Hsun Huang](https://www.linkedin.com/in/lianghsunhuang/?locale=en_US)