Ali-C137/Goud-Sum-Instruct

Goud-Sum-Instruct数据集是一个精心策划的数据集，源自Goud-sum数据集，主要用于微调聊天和指令模型，使其能够有效地响应摘要指令。数据集包含来自Goud.ma新闻网站的158k篇文章及其标题。文章使用阿拉伯文字书写，标题为摩洛哥达里亚语，文章内容可能是摩洛哥达里亚语、现代标准阿拉伯语或两者的混合。数据集分为训练集、验证集和测试集，分别包含139,288、9,497和9,497个实例。

原始信息汇总

数据集概述

数据集描述

数据集摘要

Goud-Sum-Instruct 包含 158k 篇文章及其标题，这些文章来自 Goud.ma 新闻网站。文章使用阿拉伯文字书写。所有标题均为摩洛哥达里亚语，而文章可能是摩洛哥达里亚语、现代标准阿拉伯语或两者的混合（代码切换的摩洛哥达里亚语）。

支持的任务和排行榜

文本摘要

语言

• 摩洛哥阿拉伯语（达里亚语）
• 现代标准阿拉伯语

数据集结构

数据实例

数据集由字符串格式的文章-标题对组成。

数据字段

• article: 包含新闻文章正文的字符串
• headline: 包含文章标题的字符串
• categories: 文章类别的字符串列表

数据分割

Goud-Sum-Instruct 数据集分为三个部分：train、validation 和 test。以下是每个分割中的实例数量：

数据集分割	分割中的实例数量
Train	139,288
Validation	9,497
Test	9,497

数据集创建

数据来源

初始数据收集和规范化

[需要更多信息]

源语言生产者是谁？

文本由 Goud 的记者编写。

注释

数据集不包含任何额外注释。

注释过程

[不适用]

注释者是谁？

[不适用]

个人和敏感信息

[需要更多信息]

使用数据的注意事项

数据集的社会影响

[需要更多信息]

偏见的讨论

[需要更多信息]

其他已知限制

[需要更多信息]

附加信息

数据集策展人

[需要更多信息]

许可信息

[需要更多信息]

引用信息

@inproceedings{issam2022goudma, title={Goud.ma: a News Article Dataset for Summarization in Moroccan Darija}, author={Abderrahmane Issam and Khalil Mrini}, booktitle={3rd Workshop on African Natural Language Processing}, year={2022}, url={https://openreview.net/forum?id=BMVq5MELb9} }

贡献

感谢 @issam9 和 @KhalilMrini 添加原始数据集 dataset