Vietnamese National Legal Database (vbpl.vn) corpus with structure + embedding layers

README.md

@@ -411,8 +411,7 @@ bucket).
 |---|---|---|
 | `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). |
+| `umap_x` / `umap_y` | float64 | 2-D UMAP projection (the one used in the scatter PNGs above). Fit globally across all rows for cross-doc comparability. |
 | `cluster_id` | int64 | HDBSCAN cluster label; `-1` is the noise / unclustered bucket. |
 
 Quick load (each stage is a `data_files` glob; the default
@@ -456,7 +455,7 @@ joined = docs.merge(embed, on="doc_name", how="inner")
 
 ## 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.
+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.
 
 ### UMAP colored by `scope`
 
@@ -530,7 +529,7 @@ embedding parquets for the NULL-markdown rows are dropped from
 the embedding corpus entirely so the reducer fits on the
 embeddable rows only (147,317-row corpus).
 
-Captured: `2026-05-21T17:50:24.822753+00:00`.
+Captured: `2026-05-22T14:33:10.016717+00:00`.
 
 ## Nguồn · Source
 

manifest.json

@@ -536,5 +536,5 @@
       "share": 0.07243958645527698
     }
   },
-  "completed_at": "2026-05-21T17:50:24.822753+00:00"
+  "completed_at": "2026-05-22T14:33:10.016717+00:00"
 }