tmquan/phapdien-moj-gov-vn

Bộ Pháp Điển Việt Nam — phapdien.moj.gov.vn

🇻🇳 Tóm tắt. Bộ ngữ liệu cấp Điều của Bộ Pháp Điển Việt Nam — bộ pháp điển chính thức do Bộ Tư pháp công bố. Mỗi dòng là một Điều kèm toàn văn đã chuẩn hoá, chương sở thuộc, đề mục và chủ đề, cùng đường liên kết quay về văn bản gốc trên vbpl.vn. Mỗi Điều mang một mã trích dẫn phân cấp (article_id, ví dụ Điều 1.1.LQ.1) và một khoá dòng duy nhất (record_id). Kèm theo là từ điển ontology song ngữ Việt–Anh (chủ đề · đề mục · thuật ngữ) và vector nhúng ngữ nghĩa (nvidia/Nemotron-3-Embed-8B-BF16, 4096-D) + toạ độ giảm chiều 2-D.

🇬🇧 Summary. Article-level corpus of the Bộ Pháp Điển — the official codification of Vietnamese law published by the Ministry of Justice. Every record is one Điều (article) with its full normalised legal text, the chapter it sits under, the đề-mục (subject) and chủ-đề (topic) it belongs to, and back-links to the originating instrument on vbpl.vn. Each article carries a hierarchical citation code (article_id, e.g. Điều 1.1.LQ.1) and a guaranteed-unique row key (record_id); the browsable source link is the vbpl.vn URL in source_links. A curated Vietnamese ↔ English ontology (topics · subjects · glossary) and semantic embeddings (nvidia/Nemotron-3-Embed-8B-BF16, 4096-D) with 2-D projections ship alongside the corpus.

Tổng quan · At a glance

Chỉ số · Metric	Giá trị · Value
Điều luật · Articles (Điều)	65,997 (roll-up) — the articles table currently materialises 65,967 physical rows; see Splits & configs
Đề mục · Subjects	202
Chủ đề · Topics	43 (corpus) · 42 curated in ontology_topics
Ngôn ngữ · Languages	Vietnamese (vi, legal content) + English (en, column labels & bilingual ontology)
Mô hình embedding · Embedding models	nvidia/Nemotron-3-Embed-8B-BF16 (4096-d) — hiện có · present. nvidia/Nemotron-3-Embed-1B-BF16 (2048-d) + bảng reduce dạng dài 2-D/3-D = mục tiêu chuẩn ViLA · ViLA standard target (chưa có trên Hub · not yet on the Hub)
Số mã băm nội dung khác nhau · Distinct content hashes	64,559
Tổng số ký tự · Total characters	80,936,862
Tổng số từ · Total words	17,900,064
Có tiêu đề chương · With chapter heading	99.1%
Có chú thích nguồn · With source-note (citation back to original law)	100.0%
Có liên kết về vbpl.vn · With source-link to vbpl.vn	100.0%
Có chỉ dẫn liên quan · With related-article cross-references	28.7%
Nội dung trống (mục phân cách) · Empty content (section dividers)	429
Nguồn · Source	https://phapdien.moj.gov.vn/Pages/home.aspx
Cơ quan công bố · Publisher	Ministry of Justice of Vietnam (Bộ Tư pháp)
Thu thập lúc · Crawled	2026-07-21 (202/202 đề mục · subjects fetched without error)

Độ dài Điều luật (ký tự) · Article length (characters): trung vị · median 744, trung bình · mean 1,226, p90 2,554, p99 7,348, max 376,842.

Bộ Pháp Điển được tổ chức theo ba cấp: Chủ đề (topic) → Đề mục (subject) → Điều (article). Bộ dữ liệu này phủ toàn bộ 43 chủ đề, 202 đề mục, và corpus ~66k điều. — The Vietnamese legal codification has a strict three-level ontology: topic (Chủ đề) → subject (Đề mục) → article (Điều). This dataset covers the complete ontology — 43 topics, 202 subjects, and the full article corpus.

Trực quan hoá · Visualizations

🇻🇳 Các hình dưới đây được sinh từ analytics.json (roll-up toàn ngữ liệu), từ điển ontology (ontology_*.parquet / ontology.json) và config reduce (toạ độ PCA / t-SNE / UMAP). Chỉ liệt kê những ảnh thực sự có trong repo. · 🇬🇧 The figures below are generated from analytics.json (corpus roll-ups), the ontology dictionary (ontology_*.parquet / ontology.json) and the reduce config (PCA / t-SNE / UMAP coordinates). Only images that actually exist in the repo are listed.

43 Chủ đề song ngữ · 43 topics, bilingual

Tất cả 43 chủ đề, sắp xếp theo số điều, kèm tên tiếng Anh. — All 43 topics, sorted by article count, with English titles.

Top Chủ đề · Top topics (bars)

Số điều theo chủ đề. — Article count per topic.

Top 20 Chủ đề (treemap)

20 chủ đề lớn nhất — diện tích mỗi ô tỉ lệ với số điều. — The 20 largest topics; cell area scales with article count.

Cây Chủ đề → Đề mục (sunburst)

Vành trong = chủ đề, vành ngoài = đề mục con. Diện tích mỗi cung tỉ lệ với số Điều bên trong. — Inner ring = topics, outer ring = the subjects that sit under each topic. Wedge area is proportional to the number of articles inside.

Hệ thống văn bản quy phạm pháp luật · Legal-instrument hierarchy

Sơ đồ thứ bậc các văn bản pháp luật của Việt Nam, kèm cơ quan ban hành. — A reading aid for the dataset's source_note_text field: which body issues each kind of legal instrument and where each rank sits in the hierarchy.

Cấu trúc ngữ nghĩa · Semantic structure (embedding UMAP)

Chiếu UMAP 2-D của vector nvidia/Nemotron-3-Embed-8B-BF16 (4096-D), tô màu theo chủ đề pháp luật và theo cụm HDBSCAN. — 2-D UMAP projection of the nvidia/Nemotron-3-Embed-8B-BF16 (4096-D) vectors, coloured by legal topic and by HDBSCAN cluster. See Embeddings.

Sơ đồ chủ đề · Topic mind-map (mermaid)

Nguồn mermaid: ontology_mindmap.mmd. — Mermaid source ships as ontology_mindmap.mmd.

Click / Bấm để mở sơ đồ 43 chủ đề (mindmap)

mindmap
  root((**Bộ Pháp Điển**<br/>65,997 Điều))
    #39 Trật tự, an toàn xã hội<br/>5,080 Điều · 10 Đề mục
    #34 Thương mại, đầu tư, chứng khoán<br/>4,490 Điều · 7 Đề mục
    #14 Giao thông, vận tải<br/>4,267 Điều · 3 Đề mục
    #24 Nông nghiệp, nông thôn<br/>3,773 Điều · 11 Đề mục
    #45 Y tế, dược<br/>3,709 Điều · 10 Đề mục
    #37 Tố tụng và các phương thức giải quyết tranh chấp<br/>3,042 Điều · 11 Đề mục
    #22 Ngân hàng, tiền tệ<br/>2,834 Điều · 4 Đề mục
    #33 Thuế, phí, lệ phí, các khoản thu khác<br/>2,365 Điều · 8 Đề mục
    #28 Tài sản công, nợ công, dự trữ nhà nước<br/>2,124 Điều · 5 Đề mục
    #27 Tài nguyên<br/>2,111 Điều · 4 Đề mục
    #3 Bưu chính, viễn thông<br/>1,989 Điều · 4 Đề mục
    #1 An ninh quốc gia<br/>1,898 Điều · 11 Đề mục
    #17 Kế toán, kiểm toán<br/>1,858 Điều · 3 Đề mục
    #25 Quốc phòng<br/>1,799 Điều · 11 Đề mục
    #12 Doanh nghiệp, hợp tác xã<br/>1,783 Điều · 3 Đề mục
    #41 Văn hóa, thể thao, du lịch<br/>1,730 Điều · 13 Đề mục
    #5 Cán bộ, công chức, viên chức<br/>1,714 Điều · 1 Đề mục
    #30 Thi hành án<br/>1,650 Điều · 4 Đề mục
    #19 Khoa học, công nghệ<br/>1,623 Điều · 5 Đề mục
    #13 Giáo dục, đào tạo<br/>1,567 Điều · 1 Đề mục
    #20 Lao động<br/>1,407 Điều · 4 Đề mục
    #26 Tài chính<br/>1,402 Điều · 2 Đề mục
    #4 Bổ trợ tư pháp<br/>1,179 Điều · 5 Đề mục
    #2 Bảo hiểm<br/>1,107 Điều · 2 Đề mục
    #18 Khiếu nại, tố cáo<br/>1,018 Điều · 4 Đề mục
    #44 Xây dựng pháp luật và thi hành pháp luật<br/>877 Điều · 8 Đề mục
    #9 Dân sự<br/>860 Điều · 3 Đề mục
    #6 Chính sách xã hội<br/>842 Điều · 5 Đề mục
    #35 Tổ chức bộ máy nhà nước<br/>745 Điều · 4 Đề mục
    #8 Dân số, gia đình, trẻ em, bình đẳng giới<br/>689 Điều · 4 Đề mục
    #23 Ngoại giao, điều ước quốc tế<br/>662 Điều · 10 Đề mục
    #31 Thống kê<br/>596 Điều · 1 Đề mục
    #32 Thông tin, báo chí, xuất bản<br/>567 Điều · 3 Đề mục
    #15 Hành chính tư pháp<br/>540 Điều · 5 Đề mục
    #16 Hình sự<br/>536 Điều · 1 Đề mục
    #7 Công nghiệp<br/>419 Điều · 3 Đề mục
    #21 Môi trường<br/>358 Điều · 1 Đề mục
    #36 Tổ chức chính trị - xã hội, hội<br/>257 Điều · 3 Đề mục
    #40 Tương trợ tư pháp<br/>158 Điều · 1 Đề mục
    #10 Dân tộc<br/>129 Điều · 1 Đề mục
    #38 Tôn giáo, tín ngưỡng<br/>107 Điều · 1 Đề mục
    #43 Xây dựng, nhà ở, đô thị<br/>92 Điều · 1 Đề mục
    #42 Văn thư lưu trữ<br/>44 Điều · 1 Đề mục

Vietnamese ↔ English ontology

Quy ước cột song ngữ · Bilingual column convention (đọc kỹ · read carefully). Bộ dữ liệu này không dùng một quy ước duy nhất cho mọi bảng — hãy tra Splits & configs để biết tên cột thật của từng config:

• articles và subjects dùng tiếng Anh làm cột chính không hậu tố + bạn đồng hành _vi: topic_title (EN, ví dụ "Civil law") đi cùng topic_title_vi ("Dân sự"); tương tự subject_title / subject_title_vi. Các trường nội dung tiếng Việt (article_title, chapter_title, content_text, source_note_text, ...) giữ tên không hậu tố vì nguồn chỉ công bố tiếng Việt.
• ontology_topics / ontology_subjects dùng cặp hậu tố _vi / _en (topic_title_vi / topic_title_en, subject_title_vi / subject_title_en) — không có cột topic_title / subject_title không hậu tố.
• ontology_glossary dùng cột trần vi / en (không phải term / term_vi).

🇬🇧 The dataset does not use a single convention across tables — check the per-config schema in Splits & configs for real column names. articles/subjects are English-primary unsuffixed + _vi; ontology_topics/ontology_subjects use explicit _vi/_en suffix pairs; ontology_glossary uses bare vi/en.

Một bộ từ điển song ngữ Việt – Anh thủ công đi kèm bộ dữ liệu, gồm 42 chủ đề + 202 đề mục + 116 thuật ngữ pháp lý (gồm các loại văn bản pháp luật, kết cấu văn bản, toà án, cơ quan, vai trò tố tụng, các khái niệm dân sự / hình sự / hành chính phổ biến). — A hand-curated Vietnamese ↔ English ontology ships alongside the corpus, covering 42 topics + 202 subjects + 116 legal-glossary terms (legal-instrument types, document structure, courts, agencies, procedure roles, and common civil / criminal / administrative concepts).

File	Rows	What it gives you
ontology_topics.parquet / .csv	42	Each chủ đề with topic_title_vi (VI) + topic_title_en (EN), an explanatory topic_note, article_count and demuc_count.
ontology_subjects.parquet / .csv	202	Each đề mục with parent-topic context (topic_title_vi / topic_title_en), subject_title_vi (VI) + subject_title_en (EN), and article_count.
ontology_glossary.parquet / .csv	116	Cross-cutting Vietnamese ↔ English legal-term lexicon: vi (VI), en (EN), free-text note, and a category slug (instrument, structure, codification, court, agency, procedure, civil, criminal, admin, status, finance, labour, police).
ontology.json	—	One JSON document with all three tables + a metadata header. Useful when you want the whole ontology as a tree, not as flat tables.

ℹ️ The articles table denormalises the English-primary columns (topic_title / topic_title_vi, subject_title / subject_title_vi), so most consumers never have to join the ontology tables. The ontology_* tables are the curated source-of-truth dictionary and use the _vi / _en naming shown above.

A few translation conventions used throughout:

• Luật → Law, Bộ luật → Code (consolidated), Pháp lệnh → Ordinance (between a Law and a Decree, issued by the National Assembly Standing Committee), Nghị định → Decree, Thông tư → Circular, Quyết định → Decision, Chỉ thị → Directive, Nghị quyết → Resolution. See ontology_glossary.csv for issuer information per row.
• Đề mục is rendered as Subject (it is the second level of the Bộ Pháp Điển hierarchy, sitting between a topic and a chapter).
• Tố cáo is rendered as Denunciation (whistle-blowing) — the Vietnamese term covers a wider span than English "denunciation" alone, so the gloss is included throughout.
• Vietnamese-specific institutions (e.g. Mặt trận Tổ quốc Việt Nam, Viện kiểm sát nhân dân) keep their official English name verbatim.

Cấu hình · Splits & configs

🇻🇳 Bộ dữ liệu phơi bày 8 config. articles là bảng chính; các bảng còn lại là bảng tham chiếu / vector mà bạn có thể join. · 🇬🇧 The dataset exposes 8 configs. articles is the main table; the rest are reference / vector tables you can join.

Config	Split	Số dòng · Rows	File(s)
articles (default)	train	65,967	articles-*.parquet (7)
subjects	train	202	subjects.parquet
tree_nodes	train	245	tree_nodes.parquet
ontology_topics	train	42	ontology_topics.parquet
ontology_subjects	train	202	ontology_subjects.parquet
ontology_glossary	train	116	ontology_glossary.parquet
embed	train	65,997	embed-*.parquet (33)
reduce	train	65,997	reduce.parquet

⚠️ Row-count note. The articles table materialises 65,967 rows while embed / reduce (and the corpus roll-ups quoted above) carry 65,997 — a 30-row gap between snapshots. Join on the keys below rather than on positional row order.

Khoá nối · Join story. record_id là khoá chính đảm bảo duy nhất của articles. article_id là mã trích dẫn dễ đọc nhưng nguồn tái sử dụng ~200 mã, nên không duy nhất toàn cục — khi nối embed / reduce về đúng một Điều, hãy ghép (subject_id, article_id). Các bảng ontology (ontology_*, tree_nodes) nối qua UUID topic_id / subject_id. · 🇬🇧 record_id is the guaranteed-unique primary key of articles. article_id is the human-facing citation code but the source reuses ~200 codes, so it is not globally unique — join embed / reduce back to a single article on (subject_id, article_id). Ontology tables (ontology_*, tree_nodes) join on the topic_id / subject_id UUIDs.

Cả ba bảng ontology cũng có bản .csv song song; ontology.json gói cả ba dạng cây. — All three ontology tables also ship as parallel .csv files; ontology.json bundles them as a tree.

Lược đồ articles · articles schema

One row per Điều. All bilingual column pairs here are English-primary: the unsuffixed column carries the English label, the _vi-suffixed companion carries the Vietnamese. Vietnamese content fields (article_title, chapter_title, content_text, source_note_text, related_note_text) keep their unsuffixed names because they have no English counterpart on this source.

Column	Type	Notes
record_id	string	Khoá dòng duy nhất, ổn định · Stable, guaranteed-unique row key — sha1(subject_id | article_id | content_hash)[:16]. Use this as the primary key.
subject_id	string	UUID đề mục mà điều này thuộc về · UUID of the đề-mục this article belongs to.
topic_id	string	UUID chủ đề chứa đề mục · UUID of the chủ-đề (topic) the đề-mục sits under.
topic_number	int64	Số thứ tự chủ đề (1–45) · Topic display number.
topic_title	string	Tên chủ đề tiếng Anh · Topic name in English (e.g. "National security", "Health and pharmaceuticals"); joined from ontology_topics.
topic_title_vi	string	Tên chủ đề tiếng Việt · Topic name in Vietnamese (e.g. "An ninh quốc gia", "Y tế, dược").
subject_number	int64	Số thứ tự đề mục trong chủ đề · Đề-mục display number within its topic.
subject_title	string	Tên đề mục tiếng Anh · Đề-mục name in English; joined from ontology_subjects.
subject_title_vi	string	Tên đề mục tiếng Việt · Đề-mục name in Vietnamese.
article_id	string	Mã trích dẫn chính tắc · Canonical citation code, e.g. Điều 39.13.TT.70.6. Human-facing legal citation. Note: the source reuses ~200 codes, so this is not globally unique — use record_id as the primary key.
article_anchor	string	Mã neo thô của cổng, có tiền tố # · Raw portal <a name> anchor, prefixed with # (e.g. #0100100000000000100000100000000000000000). The # byte keeps the HF dataset-server stats engine from coercing the 40-digit id to a Python int and overflowing C long; strip it client-side to recover the raw id. Not unique (the portal reuses some anchors) and may be empty — kept only for round-tripping back to the source page.
article_title	string	Tiêu đề đầy đủ kèm tiền tố Điều N.M.X.Y · Full title incl. the Điều N.M.X.Y prefix and the article heading.
chapter_title	string	Tiêu đề chương sở thuộc · Chapter heading the article sits under ("Chương I - …"), if any.
source_note_text	string	Trích dẫn về văn bản gốc · Citation back to the originating instrument (Luật/Nghị định/Thông tư).
source_links	list<struct<text:string,href:string>>	Liên kết trong source_note_text · Hyperlinks inside source_note_text, typically to vbpl.vn.
related_note_text	string	Liên hệ đến điều khác · Cross-references to other articles in the corpus, when present.
content_text	string	Toàn văn đã chuẩn hoá · Normalised article body (whitespace-collapsed, NBSP-stripped).
content_char_len	int64	Số ký tự content_text · Character count of content_text.
content_word_count	int64	Số từ content_text · Whitespace-token count of content_text.
source_url	string	Định vị trên cổng phapdien.moj.gov.vn · Locator on the codification portal (ViewBoPD.aspx?demucid=…#<anchor>). The portal renders article text client-side, so this opens the đề-mục viewer rather than scrolling straight to the article — for a browsable source of record use the vbpl.vn URL in source_links.
scraped_at	string	Thời điểm thu thập (UTC) · ISO-8601 UTC timestamp of capture.

Lược đồ subjects · subjects schema

One row per đề-mục — the per-document fetch record (English-primary, same as articles).

Column	Type	Notes
subject_id	string	UUID đề mục · Đề-mục UUID. Join key to articles.subject_id.
topic_id	string	UUID chủ đề cha · Parent chủ-đề UUID.
topic_number	int64	Số thứ tự chủ đề · Topic display number.
topic_title	string	Tên chủ đề (EN) · Topic name (English).
topic_title_vi	string	Tên chủ đề (VI) · Topic name (Vietnamese).
subject_number	int64	Số thứ tự đề mục trong chủ đề · Đề-mục number within its topic.
subject_title	string	Tên đề mục (EN) · Đề-mục name (English).
subject_title_vi	string	Tên đề mục (VI) · Đề-mục name (Vietnamese).
source_url	string	Định vị đề mục trên cổng · Portal locator for this đề-mục.
file_version	string	Token fileVersion dùng để lấy HTML pháp điển · Per-document fileVersion token used to fetch the codified HTML.
fetch_status	string	Kết quả thu thập · Fetch outcome (ok for all 202).
fetch_error	string	Lỗi khi fetch_status != ok · Error repr when the fetch failed (empty here).
scraped_at	string	Thời điểm thu thập (UTC) · ISO-8601 UTC capture timestamp.

Lược đồ tree_nodes · tree_nodes schema

One row per ontology node (a topic or a subject) — the raw jstree scraped from the portal.

Column	Type	Notes
node_id	string	UUID của node (khớp topic_id/subject_id) · Node UUID (matches a topic_id or subject_id).
parent_id	string	UUID node cha; null cho chủ đề (gốc) · Parent node UUID; null for topics (roots).
kind	string	topic hoặc subject · topic or subject.
number	int64	Số thứ tự hiển thị · Display number.
title	string	Tiêu đề node (tiếng Việt) · Node title (Vietnamese).
raw_text	string	Nhãn gốc của cổng · Original portal label, e.g. "Chủ đề số 1: An ninh quốc gia".

Lược đồ ontology_topics · ontology_topics schema

Curated bilingual topic dictionary (42 rows). Uses _vi / _en suffix pairs.

Column	Type	Notes
topic_id	string	UUID chủ đề · Topic UUID. Join key to articles.topic_id.
topic_number	int64	Số thứ tự chủ đề · Topic display number.
topic_title_vi	string	Tên chủ đề (VI) · Topic name (Vietnamese).
topic_title_en	string	Tên chủ đề (EN) · Topic name (English).
topic_note	string	Ghi chú phạm vi (EN) · Short English scope note.
article_count	int64	Số điều thuộc chủ đề · Articles under this topic.
demuc_count	int64	Số đề mục thuộc chủ đề · Đề-mục (subjects) under this topic.

Lược đồ ontology_subjects · ontology_subjects schema

Curated bilingual subject dictionary (202 rows). Uses _vi / _en suffix pairs.

Column	Type	Notes
topic_id	string	UUID chủ đề cha · Parent topic UUID.
topic_number	int64	Số thứ tự chủ đề cha · Parent topic number.
topic_title_vi	string	Tên chủ đề cha (VI) · Parent topic name (Vietnamese).
topic_title_en	string	Tên chủ đề cha (EN) · Parent topic name (English).
subject_id	string	UUID đề mục · Đề-mục UUID. Join key to articles.subject_id.
subject_title_vi	string	Tên đề mục (VI) · Đề-mục name (Vietnamese).
subject_title_en	string	Tên đề mục (EN) · Đề-mục name (English).
article_count	int64	Số điều thuộc đề mục · Articles under this đề-mục.

Lược đồ ontology_glossary · ontology_glossary schema

Cross-cutting bilingual legal lexicon (116 rows). Uses bare vi / en columns (not term / term_vi).

Column	Type	Notes
category	string	Nhóm thuật ngữ · Term category slug — one of instrument, structure, codification, court, agency, procedure, civil, criminal, admin, status, finance, labour, police.
vi	string	Thuật ngữ tiếng Việt · Vietnamese term.
en	string	Thuật ngữ tiếng Anh · English term.
note	string	Ghi chú tự do (EN), gồm cơ quan ban hành · Free-text English note, incl. issuer info.

Lược đồ embed · embed schema (embeddings — Nemotron-8B)

One row per article. Dense vectors from nvidia/Nemotron-3-Embed-8B-BF16 (4096-D, mean-pooling, passage: prefix) over content_text, plus denormalised metadata for in-place filtering.

Column	Type	Notes
article_id	string	Mã trích dẫn · Citation code. Join key (with subject_id) back to articles.
embedding	list<double>	Vector dày · Dense vector, 4096-D for content rows; empty divider rows carry a short/zero vector with embedding_dim = 0.
embedding_dim	int64	4096 cho dòng có nội dung; 0 cho mục phân cách trống · 4096 for content rows, 0 for empty dividers.
embedding_model_id	string	nvidia/Nemotron-3-Embed-8B-BF16.
embedding_text_hash	string	Hash văn bản đã nhúng (dedup / provenance) · Hash of the embedded text.
embedding_chunks_used	int64	Số chunk gộp vào vector (1 nếu không chunk) · Chunks pooled into the vector (1 when not chunked).
embedding_chunking	string	none (một lượt) hoặc empty (không có nội dung) · none (single pass) or empty (nothing to embed).
article_title	string	Tiêu đề điều (denormalised) · Denormalised article title.
subject_id	string	UUID đề mục (khoá nối) · Đề-mục UUID (join key).
subject_number	string	Số thứ tự đề mục (kiểu chuỗi ở đây) · Đề-mục number (string here).
subject_title	string	Tên đề mục (EN) · Đề-mục name (English).
topic_id	string	UUID chủ đề · Topic UUID.
topic_number	string	Số thứ tự chủ đề (kiểu chuỗi) · Topic number (string here).
topic_title	string	Tên chủ đề (EN) · Topic name (English).
chapter_title	string	Tiêu đề chương · Chapter heading.
source_url	string	Định vị trên cổng · Portal locator.
content_char_len	int64	Số ký tự của nội dung đã nhúng · Character count of the embedded content_text.

Lược đồ reduce · reduce schema (2-D projections + clusters)

One row per article — a wide table of 2-D projections and one cluster label, plus the same denormalised metadata as embed.

Column	Type	Notes
article_id	string	Mã trích dẫn (khoá nối với subject_id) · Citation code; join with subject_id.
article_title	string	Tiêu đề điều · Article title.
subject_id	string	UUID đề mục · Đề-mục UUID.
subject_number	string	Số thứ tự đề mục · Đề-mục number.
subject_title	string	Tên đề mục (EN) · Đề-mục name (English).
topic_id	string	UUID chủ đề · Topic UUID.
topic_number	string	Số thứ tự chủ đề · Topic number.
topic_title	string	Tên chủ đề (EN) · Topic name (English).
chapter_title	string	Tiêu đề chương · Chapter heading.
source_url	string	Định vị trên cổng · Portal locator.
content_char_len	int64	Số ký tự nội dung · Content character count.
embedding_model_id	string	nvidia/Nemotron-3-Embed-8B-BF16.
embedding_dim	int64	4096 (0 cho dòng trống) · 4096 (0 for empty rows).
pca_x, pca_y	double	Toạ độ PCA 2-D · PCA 2-D projection.
tsne_x, tsne_y	double	Toạ độ t-SNE 2-D (PCA-50 → openTSNE) · t-SNE 2-D (PCA-50 → openTSNE).
umap_x, umap_y	double	Toạ độ UMAP 2-D (PCA-50 → UMAP) · UMAP 2-D (PCA-50 → UMAP).
cluster_id	int64	Nhãn cụm HDBSCAN; -1 = nhiễu · HDBSCAN cluster label; -1 = noise. 66 clusters (0–65), 23,150 noise points.

🎯 Chuẩn ViLA (mục tiêu) · ViLA standard (target). Chuẩn quy định config reduce là bảng dài — (article_id, model, method, dim, coords) — với mỗi mô hình × phương pháp được fit riêng ở cả 2-D và 3-D, và thêm encoder thứ hai nvidia/Nemotron-3-Embed-1B-BF16 (2048-D). Bảng reduce hiện tại là dạng rộng, chỉ 2-D, một mô hình; việc chuyển sang bảng dài + 3-D + Nemotron-1B là công việc TODO. · 🇬🇧 The standard calls for reduce to be a long table — (article_id, model, method, dim, coords) — with each model × method fit separately at both 2-D and 3-D, plus a second encoder nvidia/Nemotron-3-Embed-1B-BF16 (2048-D). The current reduce is wide, 2-D-only, single-model; migrating to the long + 3-D + Nemotron-1B layout is TODO.

Cách dùng · How to use

from datasets import load_dataset

# Bảng chính · Main table (default): codified articles
articles = load_dataset("tmquan/phapdien-moj-gov-vn", "articles", split="train")
print(articles[0]["topic_title"], "/", articles[0]["topic_title_vi"])
print(articles[0]["subject_title"], "/", articles[0]["subject_title_vi"])

# Bảng tham chiếu · Reference tables
subjects = load_dataset("tmquan/phapdien-moj-gov-vn", "subjects",   split="train")  # per-đề-mục fetch metadata
tree     = load_dataset("tmquan/phapdien-moj-gov-vn", "tree_nodes", split="train")  # topic/subject tree nodes

# Từ điển ontology song ngữ · Bilingual ontology dictionary
topics   = load_dataset("tmquan/phapdien-moj-gov-vn", "ontology_topics",   split="train")
subj_dic = load_dataset("tmquan/phapdien-moj-gov-vn", "ontology_subjects", split="train")
glossary = load_dataset("tmquan/phapdien-moj-gov-vn", "ontology_glossary", split="train")

# Vector + toạ độ giảm chiều · Embeddings + reduced coordinates
emb = load_dataset("tmquan/phapdien-moj-gov-vn", "embed",  split="train")  # 4096-D Nemotron-8B vectors
red = load_dataset("tmquan/phapdien-moj-gov-vn", "reduce", split="train")  # 2-D PCA/t-SNE/UMAP + HDBSCAN cluster

articles đã mang sẵn cả hai cột song ngữ, nên không cần join cho tác vụ thông thường. Khi cần nối embed / reduce về đúng một Điều, dùng cặp (subject_id, article_id) (xem Join story ở trên). — articles already carries both bilingual columns, so no join is required for common use; join embed / reduce back on (subject_id, article_id).

Phân bố độ dài · Length distribution

Range (chars)	Articles	Share
0-99	2,012	3.0%
100-249	7,355	11.1%
250-499	13,556	20.5%
500-999	17,755	26.9%
1000-1999	15,227	23.1%
2000-3999	7,488	11.3%
4000-7999	2,057	3.1%
8000+	547	0.8%

Top chủ đề · Top topics

#	Chủ đề	Đề mục	Articles	Median chars
39	Trật tự, an toàn xã hội	10	5,080	1,121
34	Thương mại, đầu tư, chứng khoán	7	4,490	760
14	Giao thông, vận tải	3	4,267	633
24	Nông nghiệp, nông thôn	11	3,773	799
45	Y tế, dược	10	3,709	713
37	Tố tụng và các phương thức giải quyết tranh chấp	11	3,042	750
22	Ngân hàng, tiền tệ	4	2,834	622
33	Thuế, phí, lệ phí, các khoản thu khác	8	2,365	756
28	Tài sản công, nợ công, dự trữ nhà nước	5	2,124	978
27	Tài nguyên	4	2,111	534
3	Bưu chính, viễn thông	4	1,989	679
1	An ninh quốc gia	11	1,898	668
17	Kế toán, kiểm toán	3	1,858	990
25	Quốc phòng	11	1,799	656
12	Doanh nghiệp, hợp tác xã	3	1,783	951

Mật độ trích dẫn · Citation density

Đếm từ khoá trên content_text — chỉ báo grounding sơ bộ. 71.4% số điều có nhắc đến ít nhất một loại văn bản pháp luật gốc. — Lightweight keyword counts against content_text. Useful as a first-order grounding signal — 71.4% of articles mention at least one primary-law instrument.

Pattern	Records w/ ≥1	Share	Mean / record
Luật	28,621	43.4%	1.17
Bộ luật	1,966	3.0%	0.05
Nghị định	12,676	19.2%	0.46
Thông tư	18,484	28.0%	0.62
Thông tư liên tịch	1,132	1.7%	0.03
Quyết định	15,732	23.8%	0.66
Nghị quyết	864	1.3%	0.03
Pháp lệnh	648	1.0%	0.02
Điều N	17,963	27.2%	0.75
Khoản N	18,616	28.2%	0.89
Điểm a/b/c	7,521	11.4%	0.36
Chương N	940	1.4%	0.03
Any primary-law instrument	47,095	71.4%	—

Liên kết nguồn · Outbound source links

Toàn văn pháp điển giữ lại các liên kết quay về văn bản gốc trên Cơ sở dữ liệu pháp luật quốc gia vbpl.vn. Toàn ngữ liệu có 71,683 liên kết (trung vị 1 liên kết / điều). — The codified text preserves explicit back-links to the originating law on the National Legal Database vbpl.vn. Across the corpus there are 71,683 outbound links (median 1 per article).

Tên miền được trích dẫn nhiều nhất · Top hosts cited:

• vbpl.vn — 71,676 occurrences
• thuvienphapluat.vn — 7 occurrences

Văn bản gốc được trích dẫn nhiều nhất theo vbpl.vn ItemID · Most-cited primary instruments (by vbpl.vn ItemID):

vbpl.vn ItemID	Citations
96115	517
96172	509
96122	427
96035	372
122388	345
96117	342
26117	324
146467	310
142881	226
139264	221

Bao phủ chương · Chapter coverage

99.1% số điều có tiêu đề chương rõ ràng (Chương N). Số tiêu đề chương khác nhau: 45. — 99.1% of articles carry an explicit chapter heading (Chương N). Distinct chapter labels seen across the corpus: 45.

Ví dụ · Examples

Chủ đề 39 — Trật tự, an toàn xã hội

Đề mục: Xử lý vi phạm hành chính · Chương II - THẨM QUYỀN XỬ PHẠT VI PHẠM HÀNH CHÍNH VÀ ÁP DỤNG BIỆN PHÁP KHẮC PHỤC HẬU QUẢ
Điều 39.13.LQ.45. Thẩm quyền của Quản lý thị trường

1. Kiểm soát viên thị trường đang thi hành công vụ có quyền: a) Phạt cảnh cáo; b) Phạt tiền đến 500.000 đồng.
2. Đội trưởng Đội Quản lý thị trường, Trưởng phòng Nghiệp vụ thuộc Cục Nghiệp vụ quản lý thị trường có quyền: a) Phạt cảnh cáo; b) Phạt tiền đến 25.000.000 đồng; c) Tịch thu tang vật, phương tiện vi phạm hành chính có giá trị không vượt quá 02 lần mức tiền phạt được quy định tại điểm b khoản này; d) Áp dụng biện pháp khắc phục hậu quả quy định tại các điểm a, đ, e, g, h, i và k khoản 1 Điều 28 của Luật này.
3. Cục trưởng Cục Quản lý thị trường cấp tỉnh, Cục trưởng Cục Nghiệp vụ quản lý thị trường thuộc Tổng cục Quản lý thị trường có quyền: a) Phạt cảnh cáo; b) Phạt tiền đến 50.000.000 đồng; c) Tịch thu tang vật, phương tiện vi phạm hành chính; d) Tước quyền sử dụng giấy phép, chứng…

Source on phapdien.moj.gov.vn

---

Chủ đề 34 — Thương mại, đầu tư, chứng khoán

Đề mục: Một số hoạt động kinh doanh đặc thù · Chương XV - QUY ĐỊNH VỀ ĐẦU TƯ XÂY DỰNG VÀ KINH DOANH SÂN GÔN - Mục 1 - NHỮNG QUY ĐỊNH CHUNG - Mục 2 - ĐIỀU KIỆN ĐẦU TƯ XÂY DỰNG VÀ KINH DOANH SÂN GÔN - Mục 3 - THỰC HIỆN DỰ ÁN SÂN GÔN
Điều 34.9.NĐ.15.11. Thực hiện Dự án sân gôn

1. Nhà đầu tư chỉ được triển khai thực hiện Dự án sân gôn sau khi có quyết định chủ trương đầu tư hoặc được cấp giấy chứng nhận đăng ký đầu tư (đối với Dự án thuộc trường hợp phải thực hiện thủ tục cấp Giấy chứng nhận đăng ký đầu tư theo quy định của pháp luật đầu tư); hoàn thành các thủ tục về đất đai, xây dựng, phê duyệt Báo cáo đánh giá tác động môi trường theo quy định của pháp luật.
2. Trong quá trình triển khai thực hiện Dự án sân gôn, nhà đầu tư có trách nhiệm thực hiện chế độ báo cáo, giám sát, đánh giá hoạt động đầu tư theo quy định của pháp luật về đầu tư.
3. Nhà đầu tư chuyển nhượng Dự án sân gôn gắn với việc chuyển nhượng quyền sử dụng đất phải đáp ứng các điều kiện, thủ tục theo quy định của pháp luật về đầu tư, pháp luật về đất đai, pháp luật về kinh doanh bất động sản và phá…

Source on phapdien.moj.gov.vn

---

Chủ đề 14 — Giao thông, vận tải

Đề mục: Hàng hải Việt Nam · Chương V - AN TOÀN HÀNG HẢI, AN NINH HÀNG HẢI, LAO ĐỘNG HÀNG HẢI VÀ BẢO VỆ MÔI TRƯỜNG
Điều 14.4.TT.8.14. Tàu thuyền đi đối hướng nhau

1. Khi hai tàu thuyền máy đi đối hướng hoặc gần như đối hướng nhau dẫn đến nguy cơ đâm va thì mỗi tàu thuyền phải chuyển hướng đi về phía bên phải của mình để cả hai tàu thuyền đi qua nhau về phía bên trái.
2. Tàu thuyền được coi là đối hướng nhau khi một tàu thuyền nhìn thấy một tàu thuyền khác thẳng ngay hướng trước mũi hoặc gần ngay hướng trước mũi tàu mình và: a) Vào ban đêm tàu thuyền này nhìn thấy các đèn cột của tàu thuyền kia cùng hay gần cùng nằm trên một đường thẳng hay nhìn thấy cả hai đèn mạn của nó; b) Vào ban ngày quan sát tàu thuyền kia dưới một góc nhìn tương ứng với góc nhìn của tàu kia quan sát tàu mình.
3. Trong trường hợp tàu thuyền chưa thể khẳng định được mình có đi đối hướng với một tàu thuyền khác hay không thì phải coi như đang đi đối hướng và phải tiến hành điều đ…

Source on phapdien.moj.gov.vn

Embeddings / Nhúng vector

🇻🇳 Mỗi điều được nhúng bằng nvidia/Nemotron-3-Embed-8B-BF16 (4096-D, mean-pooling, tiền tố passage:) từ trường content_text. Vector và toạ độ 2-D giảm chiều nằm ở hai config bổ sung:

🇬🇧 Each article is embedded with nvidia/Nemotron-3-Embed-8B-BF16 (4096-D, mean-pooling, passage: prefix) over content_text. Dense vectors and 2-D reductions live in two extra configs:

• embed (embed-*.parquet, 65,997 dòng · rows): article_id, embedding (list<double>, 4096-D), embedding_dim, embedding_model_id, embedding_text_hash, embedding_chunks_used, embedding_chunking, cùng metadata chủ đề / đề mục / chương để lọc tại chỗ · plus topic / subject / chapter metadata for in-place filtering. See the embed schema.
• reduce (reduce.parquet, 65,997 dòng · rows): pca_{x,y}, tsne_{x,y}, umap_{x,y} (PCA→50D rồi openTSNE / UMAP · then openTSNE / UMAP) và cluster_id (HDBSCAN, 66 cụm · clusters). See the reduce schema.

from datasets import load_dataset
emb = load_dataset("tmquan/phapdien-moj-gov-vn", "embed",  split="train")  # dense 4096-D vectors
red = load_dataset("tmquan/phapdien-moj-gov-vn", "reduce", split="train")  # 2-D projections + clusters

Bản đồ UMAP tô màu theo chủ đề pháp luật và theo cụm HDBSCAN nằm ở mục Trực quan hoá. — The UMAP maps coloured by legal topic and by HDBSCAN cluster are shown in Visualizations.

🎯 Chuẩn embedding ViLA · ViLA embedding standard. Chuẩn dùng hai encoder — nvidia/Nemotron-3-Embed-8B-BF16 (4096-D) và nvidia/Nemotron-3-Embed-1B-BF16 (2048-D) — cùng bảng reduce dạng dài ở cả 2-D và 3-D. Bộ dữ liệu này hiện chỉ có Nemotron-8B và reduce dạng rộng 2-D; encoder 1B + bảng dài + 3-D là mục tiêu (chưa có trên Hub). · 🇬🇧 The standard uses two encoders — nvidia/Nemotron-3-Embed-8B-BF16 (4096-D) and nvidia/Nemotron-3-Embed-1B-BF16 (2048-D) — with a long reduce table at both 2-D and 3-D. This dataset currently ships Nemotron-8B only with a wide 2-D reduce; the 1B encoder + long + 3-D layout is the target (not yet on the Hub).

Cách thu thập · How the corpus was built

🇻🇳 Bộ ngữ liệu được thu thập bằng một crawler tuỳ chỉnh đi qua đúng các surface mà cổng nguồn phơi ra cho trình duyệt — không có endpoint JSON / SOAP công khai cho nội dung pháp điển. Bốn bước:

🇬🇧 The dataset was harvested with a custom crawler that follows the exact surfaces the source portal exposes to a browser — there is no public JSON / SOAP endpoint for the codified content. Four steps:

1. Lấy cây chủ đề / đề mục từ https://phapdien.moj.gov.vn/TraCuuPhapDien/TreeBoPD.aspx. Phản hồi ASP.NET WebForms nhúng toàn bộ JSON jstree. — Fetch the full topic / đề-mục tree; the WebForms response embeds the entire jstree JSON.
2. Mỗi đề mục GET ViewBoPD.aspx?demucid=<uuid>&mapc=1 để lấy token fileVersion. — For each đề-mục, GET to pull the per-document fileVersion token.
3. POST đến ActionHandler.aspx (do=html) với (deMucID, fileVersion) để nhận toàn văn pháp điển dạng HTML. — POST with (deMucID, fileVersion) to receive the full codified legal HTML.
4. Tách điều mỗi <p class="pDieu"> thành một dòng, đính kèm pChuong (chương), pGhiChu (chú thích nguồn + liên kết) và pChiDan (chỉ dẫn liên quan). — Parse each HTML body into one row per article, attaching the surrounding chapter, the source-note + outbound links, and the related cross-references.

Thu thập lúc · Captured at 2026-07-21T10:09:42+00:00. 202/202 đề mục lấy được không lỗi · đề-mục fetched without error.

Hạn chế đã biết · Known limitations

🇻🇳 (i) Nội dung do Bộ Tư pháp công bố nhưng cổng nguồn render văn bản phía client, nên source_url mở trình xem đề mục thay vì cuộn thẳng tới điều — dùng liên kết vbpl.vn trong source_links làm bản gốc tra cứu. (ii) article_id không duy nhất: nguồn tái sử dụng ~200 mã; dùng record_id làm khoá chính, và nối embed/reduce bằng cặp (subject_id, article_id). (iii) Lệch số dòng: bảng articles có 65,967 dòng còn embed/reduce và các roll-up có 65,997 — nối theo khoá thay vì theo vị trí dòng. (iv) Chỉ có một encoder + reduce dạng rộng 2-D: chưa có Nemotron-1B, chưa có bảng dài / toạ độ 3-D (xem mục mục tiêu ở trên). (v) 429 mục trống (dấu phân cách) mang embedding_dim = 0; lọc content_char_len > 0 nếu chỉ muốn điều có nội dung.

🇬🇧 (i) Published by the Ministry of Justice, but the source portal renders text client-side, so source_url opens the đề-mục viewer rather than scrolling to the article — use the vbpl.vn link in source_links as the browsable source of record. (ii) article_id is not unique: the source reuses ~200 codes; use record_id as the primary key and join embed/reduce on (subject_id, article_id). (iii) Row-count skew: articles has 65,967 rows while embed/reduce and the roll-ups have 65,997 — join on keys, not row order. (iv) Single encoder + wide 2-D reduce: no Nemotron-1B yet, and no long table / 3-D coordinates (see the target note above). (v) 429 empty divider rows carry embedding_dim = 0; filter content_char_len > 0 for content-bearing articles only.

Nguồn · Source

• Trang nguồn · Site: https://phapdien.moj.gov.vn/Pages/home.aspx
• Cơ quan công bố · Publisher: Ministry of Justice of Vietnam (Bộ Tư pháp)
• Liên kết chéo · Cross-references resolve to the National Legal Database at https://vbpl.vn/

Giấy phép · License & terms

Văn bản pháp điển do Bộ Tư pháp công bố trên cổng thông tin công cộng, không thu phí. 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 và ghi nhận tác giả gốc. — The codified text is published by the Ministry of Justice on a public portal without paywall. This redistribution is shared under CC-BY-4.0 — please check the source-website terms of use before commercial redistribution and attribute the original publisher.

Trích dẫn · Citation

If you use this dataset, please cite both the redistribution on Hugging Face and the original source (Bộ Tư pháp):

@misc{phapdien_2026,
  title        = {Vietnamese Codified Law Corpus (phapdien.moj.gov.vn)},
  author       = {TMQuan},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/datasets/tmquan/phapdien-moj-gov-vn}},
  note         = {Article-level mirror of the Vietnamese codified legal corpus, with a curated Vietnamese--English ontology.}
}

@misc{phapdien_moj_2026,
  title        = {Vietnamese Codified Law Corpus},
  author       = {{Bộ Pháp Điển Việt Nam}},
  year         = {2026},
  howpublished = {\url{https://phapdien.moj.gov.vn/}},
  note         = {Official codified body of Vietnamese law, published by the Ministry of Justice (Bộ Tư pháp).}
}