Datasets:

VLSP2025-LegalSML
/

legal-pretrain

Modalities:

Text

Formats:

Size:

Libraries:

Dataset card Data Studio Files Files and versions

xet

Community

Dataset Viewer

Auto-converted to Parquet Duplicate

Split (1)

train · 96.8k rows

doc_content stringlengths 45 31M	metadata dict
"<table align=\"left\" border=\"0\" cellpadding=\"0\" cellspacing=\"0\" style=\"width:100.0%;border-(...TRUNCATED)	{"DocIdentity":"61/2024/QH15","DocName":"Luật Điện lực của Quốc hội, số 61/2024/QH15"(...TRUNCATED)
"<div><div><table cellpadding=\"0\" cellspacing=\"0\" class=\"MsoNormalTable\" style=\"border-collap(...TRUNCATED)	{"DocIdentity":"54/2024/QH15","DocName":"Luật Địa chất và Khoáng sản của Quốc hội, (...TRUNCATED)
"<table align=\"center\" border=\"0\" cellpadding=\"0\" cellspacing=\"0\" style=\"background:white;\(...TRUNCATED)	{"DocIdentity":"12/2022/QH15","DocName":"Luật Dầu khí của Quốc hội, số 12/2022/QH15","I(...TRUNCATED)
"<table align=\"center\" border=\"1\" cellpadding=\"0\" cellspacing=\"0\" style=\"margin-left:-16.8p(...TRUNCATED)	{"DocIdentity":"24/2012/QH13","DocName":"Luật sửa đổi, bổ sung một số điều của Lu(...TRUNCATED)
"<meta content=\"text/html; charset=utf-8\" http-equiv=\"Content-Type\">\r\n<meta content=\"Word.Doc(...TRUNCATED)	{"DocIdentity":"10/2008/QH12","DocName":"Luật sửa đổi, bổ sung một số điều của Lu(...TRUNCATED)
"<meta content=\"text/html; charset=utf-8\" http-equiv=\"Content-Type\">\r\n<meta content=\"Word.Doc(...TRUNCATED)	{"DocIdentity":"06/2007/QH12","DocName":"Luật Hóa chất số 06/2007/QH12 của Quốc hội","I(...TRUNCATED)
"<meta content=\"text/html; charset=UTF-8\" http-equiv=\"Content-Type\">\r\n<meta content=\"Word.Doc(...TRUNCATED)	{"DocIdentity":"28/2004/QH11","DocName":"Luật Điện lực số 28/2004/QH11 của Quốc hội",(...TRUNCATED)
"<meta content=\"text/html; charset=UTF-8\" http-equiv=\"Content-Type\">\r\n<meta content=\"Word.Doc(...TRUNCATED)	{"DocIdentity":"19/2000/QH10","DocName":"Luật sửa đổi, bổ sung một số điều của Lu(...TRUNCATED)
"<meta content=\"text/html; charset=UTF-8\" http-equiv=\"Content-Type\">\r\n<meta content=\"Word.Doc(...TRUNCATED)	{"DocIdentity":"18-L/CTN","DocName":"Luật Dầu khí của Quốc hội, số 18-L/CTN","Id":2585,(...TRUNCATED)
"<p style=\"line-height:115%;border:none;\"> </p>\r\n\r\n<table border=\"0\" cellpadding=\"0\" (...TRUNCATED)	{"DocIdentity":null,"DocName":"Dự thảo Luật Sản xuất sản phẩm công nghiệp trọng (...TRUNCATED)

End of preview. Expand in Data Studio

📚 Vietnamese Legal Text Corpus

This dataset contains a curated collection of Vietnamese legal documents intended for use in training legal-domain language models.

📄 Description

The dataset consists of official Vietnamese legal texts, extracted and preprocessed from publicly available sources such as laws, codes, and government regulations. All documents are written in Vietnamese and reflect the real-world legal language used within Vietnam's legal system.

🎯 Purpose

This dataset is designed to support:

Pretraining or fine-tuning legal-specific Vietnamese language models
Legal question answering and consultation tasks

🗂️ Data Structure

Each record in the dataset contains two main components:

Document Content (`doc_content`)

Format: HTML
Content: Full text of Vietnamese legal documents
Encoding: UTF-8

Metadata (`metadata`)

DocIdentity: Document identifier (e.g., "61/2024/QH15")
DocName: Full document name (e.g., "Luật Điện lực của Quốc hội, số 61/2024/QH15")
Id: Unique document ID (integer)
IssueDate: Document issue date (ISO 8601 format)
OrganName: Issuing organization (e.g., "Quốc hội")

Example Record:

{
  "doc_content": "<html>...</html>",
  "metadata": {
    "DocIdentity": "61/2024/QH15",
    "DocName": "Luật Điện lực của Quốc hội, số 61/2024/QH15",
    "Id": 380161,
    "IssueDate": "2024-11-30T00:00:00",
    "OrganName": "Quốc hội"
  }
}

🚀 Quick Start

Installation

pip install datasets

Authentication

# Login to Hugging Face to access the dataset
huggingface-cli login

Loading the Dataset

from datasets import load_dataset

ds = load_dataset("VLSP2025-LegalSML/legal-pretrain")

# Access the dataset
print(f"Dataset size: {len(ds['train'])}")
print(f"Features: {ds['train'].features}")

⚠️ License and Usage

License: Research and educational purposes only
Restrictions: Users are responsible for ensuring compliance with Vietnamese copyright laws when using the data
Attribution: Please cite this dataset when used in research