KDC-4007 库尔德语新闻和文章的数据集

这个数据集最重要的特点是使用简单，并且有很好的记录，可以广泛用于有关库尔德索拉尼新闻和文章的各种文本分析研究。 这些文件包括八个类别，即体育、宗教、艺术、经济、教育、社会、风格和健康。每个类别由500个文本文件组成，语料库的总规模为4,007个文本文件。 该数据集和文件已经可以免费使用，以便有可重复的结果用于实验评估。 Attribute Information: 有四个集合。 - ST-Ds数据集，使用库尔德语预处理步骤的方法来消除停止词。 - pre-ds数据集，使用库尔德语预处理步骤的方法。 - Pre+TW-Ds数据集，对Pre-Ds数据集进行了TF-IDF术语加权处理。 - Orig-Ds数据集，没有使用任何过程，这是原始数据集。 Relevant Papers: [1] Arazo M. Mustafa and Tarik A. Rashid,“ Kurdish Stemmer Pre-processing Steps for Improving Information Retrieval”, Journal of Information Science, First published date: january-01-2017, 10.1177/0165551516683617. [2] Tarik A. Rashid, Arazo M. Mustafa and Ari M. Saeed, 2017.'A Robust Categorization System for Kurdish Sorani Text documents'. Information Technology Journal, 16: 27-34. [3] Tarik A. Rashid, Arazu M. Mustafa, Ari M. Saeed Automatic Kurdish Text Classification Using KDC 4007 Dataset, accepted in Springer book, Series Title: Lecture Notes on Data Engineering and Communications Technologies: Book title: Advances in Internetworking, Data & Web Technologies, Indexing: The books of this series are submitted to ISI Proceedings, EI, Scopus, metaPress, Springerlink, 2017. Citation Request: If you have no special citation requests, please leave this field blank.