README.md

metadata

language:
  - vi
license: cc-by-4.0
pretty_name: Vietnamese National Legal Database (vbpl.vn)
size_categories:
  - 100K<n<1M
task_categories:
  - text-classification
  - text-retrieval
  - question-answering
  - text-generation
  - summarization
tags:
  - legal
  - vietnamese
  - vietnam
  - law
  - statute
  - regulation
  - legislation
  - moj
  - ministry-of-justice
source_datasets:
  - original
configs:
  - config_name: documents
    default: true
    data_files:
      - split: train
        path: documents-*.parquet
  - config_name: embed
    data_files:
      - split: train
        path: embed-*.parquet
  - config_name: reduce
    data_files:
      - split: train
        path: reduce-*.parquet

Vietnamese National Legal Database — vbpl.vn

🇻🇳 Tóm tắt. Bộ dữ liệu mức văn bản của Cơ sở dữ liệu Quốc gia về pháp luật thu thập từ cổng vbpl.vn do Bộ Tư pháp vận hành. Bao gồm luật, pháp lệnh, nghị định, thông tư, quyết định, nghị quyết, chỉ thị… ở cả cấp trung ương (Quốc hội, Chính phủ, các bộ) lẫn địa phương (HĐND/UBND 63 tỉnh, thành). Mỗi dòng là một văn bản pháp luật kèm markdown đã chuẩn hoá tiếng Việt (NFC + chính tả hiện đại sau 1984) và lớp cấu trúc phân cấp đầy đủ: document → section → paragraph → sentence.

🇬🇧 Summary. Document-level corpus of Vietnam's National Legal Database harvested from vbpl.vn (operated by the Ministry of Justice). Covers laws, ordinances, decrees, circulars, decisions, resolutions, directives, etc. across both central (National Assembly, Government, ministries) and provincial (People's Council / People's Committee of the 63 provinces and cities) levels of authority. Each row is one legal document with its Vietnamese-normalised markdown body (NFC + modern post-1984 orthography) and a hierarchical structure layer: document → section → paragraph → sentence, every unit carrying a stable id + char span back into the markdown.

Tổng quan · At a glance

Chỉ số · Metric	Giá trị · Value
Văn bản công bố · Documents	158,820
Tổng số bản ghi đầu vào · Raw extract rows	158,822
Loại bỏ vì rỗng · Dropped (empty body)	2
Không có thân bài · markdown is null (source has no body)	11,505
Có cấu trúc · With structure layer	158,820
Có tệp đính kèm · With downloaded attachment	0
Trung vị ký tự · Median chars / doc	5,311
Trung vị trang · Median pages / doc	–
Trung vị đoạn văn · Median paragraphs / doc	39
Trung vị câu · Median sentences / doc	52

Tổng quan trực quan · Visual overview

Sáu hình tóm tắt cấu trúc của corpus. Tất cả hình được tạo bằng plotly + kaleido (Chromium headless) và lưu thành PNG tĩnh để hiển thị trong dataset card. — Six pictures summarising the corpus structure. All figures are rendered with plotly + kaleido (headless Chromium) and saved as static PNG for the dataset card.

Phân bố theo lĩnh vực pháp luật

Top 25 legal areas sized by document count. The pale Chưa phân loại ('uncategorised') rectangle covers ~72% on its own -- vbpl.vn editors haven't tagged most legacy docs.

Phạm vi → loại văn bản

Two-level radial split: scope (inner) → doc_type (outer, top 12 per scope). Reveals where the corpus weight sits -- dia_phuong (~66%) is mostly QĐ (decisions) and NQ (resolutions), while trung_uong mixes QĐ / NĐ (decrees) / TT (circulars).

Top 20 loại văn bản

Document types ranked by count, with the canonical short code, full Vietnamese name, and an English gloss.

Số văn bản theo năm và phạm vi

Stacked area of documents issued per year, split by scope. The legacy CMS migration concentrates early years; modern post-2010 output is dominated by dia_phuong.

Loại văn bản qua các năm

Top-12 doc_type × year heatmap (log₁₀ scale). Shows the shift from CT directives in the early 90s to QĐ decisions as the workhorse instrument from 2000 onwards.

Top 15 cơ quan ban hành

Top issuing agencies. Quốc hội + Chính phủ + the larger ministries dominate trung_uong; provincial People's Councils / Committees split the dia_phuong half.

Phạm vi · Scope split

Bộ dữ liệu chia làm hai nhánh: trung_uong (văn bản pháp luật do Quốc hội + Chính phủ + các bộ ngành Trung ương ban hành) và dia_phuong (HĐND/UBND của 63 tỉnh, thành). — The corpus splits into trung_uong (central authorities: National Assembly, Government, ministries) and dia_phuong (the 63 provinces and cities, mostly People's Council / People's Committee output).

Value	Count	Share
dia_phuong	104,344	65.7%
trung_uong	54,476	34.3%

Loại văn bản · doc_type + legal_type

Mỗi văn bản được gắn slug tiếng Việt không dấu (doc_type, ví dụ quyet_dinh, nghi_dinh, thong_tu_lien_tich) lẫn tên đầy đủ tiếng Việt (legal_type, ví dụ Quyết định, Nghị định, Thông tư liên tịch). Slug được sinh tự động từ tên đầy đủ qua packages.datasites.vbpl.codes.slugify_vi nên người đọc hiểu ngay loại văn bản mà không cần tra cứu bảng mã. Mã ngắn cũ (QĐ, NĐ, TTLT, ...) vẫn xuất hiện trong số hiệu (43/2026/NĐ-CP) và có thể khôi phục từ SLUG_TO_CANONICAL_CODE. — Each document carries a self-describing ASCII snake_case slug (doc_type, e.g. quyet_dinh, nghi_dinh, thong_tu_lien_tich) and the canonical Vietnamese full name (legal_type, e.g. Quyết định, Nghị định, Thông tư liên tịch). The slug is automatically derived from the full Vietnamese name via slugify_vi so a reader can interpret the doc type without consulting a separate codebook. The compact short code (QĐ, NĐ, TTLT, ...) still appears inside so_hieu itself (43/2026/NĐ-CP) and can be recovered from any slug via the SLUG_TO_CANONICAL_CODE table in codes.py. The set of slugs follows Luật Ban hành Văn bản Quy phạm Pháp luật 2015 — hien_phap / bo_luat / luat / phap_lenh / lenh / nghi_quyet / nghi_dinh / quyet_dinh / thong_tu / chi_thi / sac_lenh / van_ban_hop_nhat / thong_tu_lien_tich / ...

By slug · doc_type

Value	Count	Share
quyet_dinh	84,970	53.5%
nghi_quyet	26,091	16.4%
thong_tu	16,211	10.2%
ban_dich_van_ban	10,576	6.7%
chi_thi	7,908	5.0%
nghi_dinh	4,690	3.0%
thong_tu_lien_tich	3,393	2.1%
van_ban_hop_nhat	1,792	1.1%
sac_lenh	980	0.6%
cong_van	708	0.4%
luat	580	0.4%
lenh	376	0.2%

By full name · legal_type

Value	Count	Share
Quyết định	84,333	53.1%
Nghị quyết	25,922	16.3%
Thông tư	15,976	10.1%
Bản dịch văn bản	10,516	6.6%
Chỉ thị	7,866	5.0%
Nghị định	4,611	2.9%
Thông tư liên tịch	3,354	2.1%
Văn bản hợp nhất	1,667	1.0%
unknown	1,439	0.9%
Sắc lệnh	961	0.6%
Công văn	704	0.4%
Luật	564	0.4%

Lĩnh vực pháp luật · legal_area

legal_area is the canonical Vietnamese label pulled from the documentFields[] block on each detail-API response (~250 distinct labels in the corpus). Roughly two thirds of the documents are tagged Chưa phân loại ("uncategorised") on the source portal; we preserve that literal so consumers can see the gap explicitly instead of nulling it. Top areas below; embedding scatters below show the structural overlap between adjacent areas.

Value	Count	Share
Chưa phân loại	157,687	99.3%
Quản lý thuế, phí, lệ phí và thu khác của ngân sách nhà nước	92	0.1%
Lĩnh vực giá	70	0.0%
Đất đai	65	0.0%
Ngân sách nhà nước	32	0.0%
Quản lý ngân sách nhà nước	24	0.0%
Thể dục, thể thao	22	0.0%
Chính sách thuế	20	0.0%
Chính quyền địa phương	20	0.0%
Công chức, viên chức	19	0.0%
Tổ chức- Biên chế	17	0.0%
Thi đua, khen thưởng	16	0.0%
Môi trường	15	0.0%
Bảo trợ xã hội	15	0.0%
Xuất nhập khẩu	15	0.0%
Tài nguyên khoáng sản, địa chất	14	0.0%
Quản lý hoạt động xây dựng	13	0.0%
Đường bộ	13	0.0%
Quản lý thuế, phí và lệ phí	13	0.0%
Đầu tư tại Việt Nam	12	0.0%

Cơ quan ban hành · Issuing agency

Top issuing agencies (top 15). Quốc hội + Chính phủ + Bộ Tài chính

• Bộ Tư pháp + ... thường chiếm phần lớn trung_uong; các tỉnh chia khá đều phần dia_phuong.

Value	Count	Share
unknown	154,971	97.6%
Chính phủ	243	0.2%
UBND tỉnh Cần Thơ	223	0.1%
Thủ tướng Chính phủ	191	0.1%
UBND Thành phố Cần Thơ	183	0.1%
UBND Thành phố Hồ Chí Minh	132	0.1%
UBND TỈNH BÌNH ĐỊNH	114	0.1%
UBND tỉnh Bà Rịa - Vũng Tàu	109	0.1%
UBND thành phố Đà Nẵng	102	0.1%
UBND tỉnh Thừa Thiên Huế	78	0.0%
Bộ Tài chính	77	0.0%
Bộ Y tế	68	0.0%
UBND tỉnh Bến Tre	65	0.0%
HĐND tỉnh Bà Rịa - Vũng Tàu	56	0.0%
Ngân hàng Nhà nước Việt Nam	55	0.0%

Năm ban hành · Year of issue

Phân bố năm theo ngay_ban_hanh (ISO YYYY-MM-DD); rỗng nếu cổng không cung cấp được trường này. — Year distribution from ngay_ban_hanh; null when the source portal didn't expose the issue date.

Year	Count
2025	87
2024	8
2023	3
2022	8
2021	8
2020	5
2019	2
2018	291
2017	1,083
2016	199
2015	449
2014	144
2013	127
2012	51
2011	43
2010	30
2009	28
2008	58
2007	176
2006	130
2005	103
2004	79
2003	52
2002	62
2001	56
2000	45
1999	34
1998	73
1997	50
1996	64

Nguồn nội dung · Body provenance

Một văn bản trên vbpl.vn có thể có HTML thân bài (do API SPA trả về sau khi qua reCAPTCHA) và/hoặc một tệp đính kèm (.pdf / .doc / .docx). Pipeline ưu tiên parse tệp khi có, quay về HTML khi không. — A vbpl document may have an inline body HTML (returned by the SPA's API after reCAPTCHA) and/or a downloadable attachment (.pdf / .doc / .docx). The pipeline prefers parsing the file when present and falls back to the HTML otherwise.

Value	Count	Share
body_html	147,315	92.8%
shell_html	11,505	7.2%

Lược đồ bảng documents · documents schema

The parquet has three families of columns:

Identification + meta

Field	Type	Description
doc_name / item_id	string	Stable document id (= the --<id> suffix of the source URL). Mostly numeric (186739); legacy docs use vbpqta_<n> (Văn bản pháp quy toàn văn) or vbpqdinhchinh_<n> (corrigendum).
scope	string	trung_uong (central) | dia_phuong (provincial).
source	string	Source host, always vbpl.vn.
source_url / api_url	string	Deep link back to the portal page / the underlying gateway API.
title	string (nullable)	Document subject after the full title scrub: (1) baseline cleanup (NFC, HTML-entity decode, "số số" doubling fix, trailing sentence punctuation), (2) decorative quote stripping at the title boundary and around inline phrases — leading / trailing / paired runs of ", ', ", ', ', ' are removed but word-internal single quotes are preserved so legitimate Vietnamese / loan-word names survive intact (Đắk R'lấp, M'nông, D'Ran, Côte d'Ivoire, Ea T'ling, Đạ M'ri, …), (3) leading "<Legal-type> số <Number> " boilerplate head peeled (e.g. "Quyết định số 143/QĐ-KHTC Ban hành Quy chế" → "Ban hành Quy chế"), and (4) every "<DocType> [số] <DocNum> [ngày <date>]" cross-reference of OTHER documents stripped from anywhere in the body ("Bãi bỏ Nghị quyết số 84/2018/NQ-HĐND ngày 07/12/2018 của HĐND tỉnh..." → "Bãi bỏ của HĐND tỉnh..."). The Vietnamese noun Lỗi / lỗi / loi ("fault / error") is preserved wherever it appears — it's a legitimate subject word (e.g. "Lỗi Ban hành Quy chế hoạt động của hội đồng tư vấn mua sắm tài sản"), not a CMS marker. null for the pathological tail where the entire source title was just a bare doc-num token (e.g. "1938/QĐ-UBND"); other bibliographic columns still carry the citation handle.
doc_type	string	Self-describing ASCII snake_case slug of the Vietnamese doc-type name (quyet_dinh, nghi_dinh, thong_tu_lien_tich, chi_thi, van_ban_hop_nhat, ...). Auto-derived from legal_type via slugify_vi; the compact short code (QĐ, NĐ, TTLT, ...) still appears in so_hieu itself (43/2026/NĐ-CP) and is recoverable via SLUG_TO_CANONICAL_CODE.
legal_type	string	Canonical Vietnamese full name for the document type (Luật, Nghị định, Thông tư, Quyết định, Nghị quyết, Chỉ thị, …). Round-trips with doc_type via slugify_vi.
legal_area	string	Legal area / subject domain (Đất đai, Đường bộ, Lĩnh vực giá, …). Defaults to Chưa phân loại when the source portal hasn't tagged the doc.
so_hieu	list<string> (nullable)	Document number(s) as a list of canonical short forms (e.g. ["43/2026/NĐ-CP"]). A small minority of vbpl rows pack several identifiers into one source cell separated by Vietnamese và ("and") or ,; those ship as multi-element lists (e.g. ["142/2009/QĐ-TTg", "49/2012/QĐ-TTg"]). Source-side cruft is stripped: leading legal-type words ("Nghị quyết số: 528/2018/UBTVQH14" → ["528/2018/UBTVQH14"]), trailing annotations ("109/2005/QĐ-BCA (A11)" → ["109/2005/QĐ-BCA"], "49/2007/TTLT-BTC-BGD ngày 18/5/2007" → ["49/2007/TTLT-BTC-BGD"]), and the legitimate "Không số" ("no number") sentinel is preserved. null for rows with no usable number.
ngay_ban_hanh	string	Issue date, ISO YYYY-MM-DD.
year	int32	Year extracted from ngay_ban_hanh.
co_quan_ban_hanh	string	Issuing agency (e.g. "Chính phủ", "Bộ Tài chính", "Hội đồng nhân dân tỉnh A").
trich_yeu	string	Abstract / summary.

Body + stats

Field	Type	Description
markdown	string (nullable)	NFC-normalised, modern-orthography Vietnamese markdown (page-segmented with ## Page N headings when parsed from a PDF). Gateway / Word / Next.js scaffolding is stripped: the Document Content\\n\\nbody { font-family: ... }\\np { margin: ... } API preamble (~50 % of bodies), Word <!-- /* Font Definitions */ @font-face { ... } p.MsoNormal { ... } --> stylesheet dumps, standalone CSS rule blocks gated by property / selector / structural CSS tells, Ant Design :where(.css-...){ ... }@keyframes ...{ ... } chains, orphan selector fragments, and malformed inline <span lang="..." style="..."> tags. ~90 % of rows lose 1-200 KB of boilerplate; total corpus markdown shrunk by ~1.77 GB / 42 %. Null when body_source == "shell_html" after the May-2026 live-API recovery (the source genuinely has no body for those legacy IDs); bibliographic metadata (title, agency, so_hieu, ...) is still populated on NULL-markdown rows so consumers retain the citation handle.
num_pages	int32	Page count from the parser (PDF/DOCX only).
num_sections / num_paragraphs / num_sentences	int32	Counts from the structure layer.
char_len	int32	Character length of markdown after the junk-strip pass (recomputed at export time so consumers can dedupe on the actual shipped body).
text_hash	string	SHA-256 first-32 hex of markdown after the junk-strip pass (re-run-stable id; differs from the upstream extract.jsonl hash for any row that had scaffolding removed).
parser_model	string	Backend that produced the markdown (local/pypdf, local/markdownify, nvidia/nemoretriever-parse, …).
parser_runtime	string	The configured parser.runtime (local / nim / hybrid).
body_source	string	Which source produced the body: file (downloaded PDF/.doc/.docx), body_html (API-captured), shell_html (Next.js shell fallback -- the gateway never delivered a real body; published with markdown=null after the May-2026 live-API recovery sweep confirmed the source publishes only metadata for those legacy IDs).
parsed_at	string	ISO 8601 parser timestamp.

Hierarchy + entities

Field	Type	Description
structure_json	string	Full :class:DocumentStructure (meta + stats + sections + paragraphs + sentences) as JSON. Includes char-span back-pointers so any unit can be located in markdown precisely.
extracted_json	string	Generic NER + statute-link extraction (entities, relations, statute_refs) as JSON.
file_paths_json	string	Downloaded attachments as JSON list of {file_url, file_name, file_type, local_path}.

Quick load:

import json
from datasets import load_dataset

ds = load_dataset("tmquan/vbpl-vn", split="train")
row = ds[0]
print(row["doc_type"], row["so_hieu"], row["ngay_ban_hanh"])
# e.g. "quyet_dinh 143/QĐ-KHTC 2018-01-29"
print(row["title"])
# e.g. "Ban hành Quy chế quản lý ngân sách ngành Tư pháp"
# (the redundant "Quyết định số 143/QĐ-KHTC " head has been
#  stripped; recombine via f"{row['legal_type']} số {row['so_hieu']} {row['title']}"
#  if your downstream pipeline still wants the full original.)
structure = json.loads(row["structure_json"])
for sec in structure.get("sections", []):
    print(sec["kind"], sec["label"])

Companion stages · embed + reduce

Alongside the default documents-*.parquet shards (one row per document, with text + structure), the repo also carries the embed and reduce pipeline outputs as separate parquet bundles. Both join back to the documents table on the doc_name primary key. Only the embeddable rows (147,315 after dropping NULL-markdown docs) appear in these stages.

embed-*.parquet — dense vectors

15 shards (~93 MB each, ~1.33 GB total, 10 000 rows per shard, deterministic doc_name ordering). Schema mirrors the anle.toaan.gov.vn corpus's embed stage exactly so cross-corpus joins are straightforward:

Field	Type	Description
doc_name	string	Join key back to documents-*.parquet.
text_hash	string	SHA-256 of the post-normalisation markdown (stable across re-runs).
embedding	list<float64>	2048-D dense vector from nvidia/llama-nemotron-embed-1b-v2 (default; other models give other dims).
embedding_dim	int64	Length of embedding (denormalised for fast filtering, always 2048 in this release).
embedding_model_id	string	Model slug as the embedder backend reports it.
embedding_text_hash	string	SHA-256 of the exact text fed to the embedder (differs from text_hash when sliding-window chunking applies).
embedding_chunks_used	int64	Number of windows mean-pooled into the final vector (1 when the doc fits in one window).
embedding_chunking	string	Chunking strategy: off / sliding / sentence.

reduce-*.parquet — 2-D projections + cluster ids

15 shards (~0.5 MB each, ~7 MB total). PCA + t-SNE + UMAP run with cfg.reducer.n_components=2 so the *_z columns that existed in the on-disk per-doc shards are dropped here. HDBSCAN cluster ids land in [-1, N] (-1 is the noise bucket).

Field	Type	Description
doc_name / text_hash	string	Join keys back to documents-*.parquet and embed-*.parquet.
pca_x / pca_y	float64	2-D PCA projection of the 2048-D embedding.
tsne_x / tsne_y	float64	2-D t-SNE projection.
umap_x / umap_y	float64	2-D UMAP projection (the one used in the scatter PNGs above).
cluster_id	int64	HDBSCAN cluster label; -1 is the noise / unclustered bucket.

Quick load (each stage is a data_files glob; the default load_dataset("tmquan/vbpl-vn") still resolves to the documents config):

from datasets import load_dataset

embed = load_dataset(
    "tmquan/vbpl-vn",
    data_files="embed-*.parquet",
    split="train",
)
print(embed[0]["doc_name"], len(embed[0]["embedding"]))
# e.g. "100000 2048"

reduce = load_dataset(
    "tmquan/vbpl-vn",
    data_files="reduce-*.parquet",
    split="train",
)
print(reduce[0]["doc_name"], reduce[0]["umap_x"], reduce[0]["cluster_id"])
# e.g. "100000 1.7142 -1"

To join embed-stage vectors back to the document metadata, do the join client-side on doc_name:

import pandas as pd

docs   = load_dataset("tmquan/vbpl-vn", split="train").to_pandas()
embed  = load_dataset("tmquan/vbpl-vn",
                      data_files="embed-*.parquet",
                      split="train").to_pandas()
joined = docs.merge(embed, on="doc_name", how="inner")
# joined now has the title / so_hieu / markdown / ... columns
# next to the 2048-D embedding vector for every embeddable doc.

Trực quan hoá embedding · Embedding visualization

Mỗi điểm là một văn bản pháp luật; toạ độ là vector embedding 2048-D từ nvidia/llama-nemotron-embed-1b-v2 chiếu xuống 2D bằng UMAP, cụm bằng HDBSCAN. Sáu mặt phân hoạch: scope, doc_type (mã ngắn), legal_type (tên đầy đủ), legal_area (lĩnh vực pháp luật), year, cluster_id. Các nhãn tail-end (sau top-18) được dồn vào nhóm Khác / Other màu xám để chú giải đọc được. — Each dot is one legal document; coordinates are the 2D UMAP projection of a 2048-D embedding from nvidia/llama-nemotron-embed-1b-v2, with HDBSCAN cluster ids. Six facets: scope, doc_type (canonical short code), legal_type (canonical full name), legal_area (subject domain), year, cluster_id. Tail-end labels beyond the top 18 are collapsed into a grey Khác / Other bucket to keep the legend legible. The published reducer parquet still carries tsne_x / tsne_y columns next to umap_* for consumers who want to render t-SNE themselves.

UMAP colored by scope

UMAP colored by doc_type

UMAP colored by legal_type

UMAP colored by legal_area

UMAP colored by year

Cách thu thập + chuẩn hoá · How the corpus was built

The crawler is a six-stage pipeline (harvest → detail → parse → extract → embed → reduce) that walks vbpl.vn's public sitemap chain (32 shards, ~160 K URLs total), drives a headless Chromium tab against each detail page so Google's invisible reCAPTCHA v2 mints the per-session Bearer token (the SPA's /api/qtdc/public/doc/... gateway is otherwise inaccessible), intercepts the resulting authenticated XHRs, downloads any .pdf / .doc / .docx attachment, and routes the body through:

1. Parse -- pypdf for PDFs, docx2txt for .docx, an antiword / catdoc / libreoffice subprocess fallback for legacy .doc, markdownify for HTML bodies returned inline.
2. Vietnamese normalisation -- ftfy NFC + tone-mark canonicalisation (Toà → Tòa, hoà → hòa, thuỷ → thủy) + PDF whitespace cleanup. Every regex / segmenter downstream then sees a single canonical orthography.
3. Generic + structure extractor -- regex / dictionary NER + Vietnamese statute linker (Điều N khoản M Luật ..., dates dd/MM/yyyy, courts, agencies, document numbers) + a hierarchical DocumentStructure (sections / paragraphs / sentences with back-pointers).
4. Embed -- nvidia/llama-nemotron-embed-1b-v2 (2048-D) over the normalised markdown; sliding-window mean pool when a doc exceeds the model's native context window.
5. Reduce -- PCA + t-SNE + UMAP on the embedding matrix + HDBSCAN cluster ids. cuML on a GPU worker; sklearn / umap-learn / hdbscan otherwise.

All five layers are deterministic and re-runnable; re-running any stage with the same --limit is a no-op (each stage skips already-produced outputs).

Body-recovery rerun (May 2026)

A targeted retry against the public gateway https://vbpl-bientap-gateway.moj.gov.vn/api/qtdc/public/doc/<id> recovered 3,849 / 15,351 previously bodyless documents (the gateway now publishes real documentContent.content HTML for that slice even though our cached SPA fetch came back empty in 2026-04). The remaining ~11.5K are genuinely bodyless on the official vbpl source (legacy / cancelled documents the publisher no longer carries a full text for) and ship in this dataset with markdown=null. Bibliographic metadata (title, agency, document number, issue date, ...) is still populated on those rows so consumers retain the citation handle even when no body is available. Per-doc embedding parquets for the NULL-markdown rows are dropped from the embedding corpus entirely so the reducer fits on the embeddable rows only (147,315-row corpus).

Captured: 2026-05-21T09:15:08.769977+00:00.

Nguồn · Source

• Portal: https://vbpl.vn/
• Backend gateway: vbpl-bientap-gateway.moj.gov.vn
• Publisher: Ministry of Justice of Vietnam (Bộ Tư pháp)
• Sitemap: https://vbpl.vn/sitemap.xml

Giấy phép · License

Văn bản gốc được Bộ Tư pháp công bố trên cổng thông tin công cộng (Allow: / trong robots.txt). Bản phân phối lại này dùng giấy phép CC-BY-4.0; vui lòng kiểm tra điều khoản sử dụng của trang nguồn trước khi tái phân phối thương mại. — The source documents are published by the Ministry of Justice on a public portal (its robots.txt allows / and disallows only /api/). This redistribution is shared under CC-BY-4.0; please check the source-website terms of use before commercial redistribution.

Trích dẫn · Citation

If you use this dataset, please cite both the redistribution on Hugging Face and the original source (Cơ sở dữ liệu Quốc gia về pháp luật, Bộ Tư pháp Việt Nam):

@misc{vbpl_2026,
  title        = {Vietnamese National Legal Database (vbpl.vn)},
  author       = {TMQuan},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/datasets/tmquan/vbpl-vn}},
  note         = {Document-level mirror with a hierarchical structure layer (DocumentMeta + Section + Paragraph + Sentence) over Vietnam's National Legal Database, central + provincial scope.}
}

@misc{vbpl_moj_2026,
  title        = {Vietnamese National Legal Database},
  author       = {{Cơ sở dữ liệu Quốc gia về pháp luật}},
  year         = {2026},
  howpublished = {\url{https://vbpl.vn/}},
  note         = {Official portal for Vietnam's National Legal Database (laws, ordinances, decrees, circulars, decisions, ...) at central and provincial levels, published by the Ministry of Justice (Bộ Tư pháp).}
}