An Amharic News Text classification Dataset

在 NLP 中，文本分类是我们试图解决的主要问题之一，它在语言分析中的应用是无可争议的。缺乏标记的训练数据使得用阿姆哈拉语等资源匮乏的语言完成这些任务变得更加困难。收集、标记、注释和制作有价值的此类数据的任务将鼓励初级研究人员、学校和机器学习从业者用他们的语言实施现有的分类模型。在这篇简短的论文中，我们旨在介绍阿姆哈拉语文本分类数据集，该数据集包含超过 5 万篇新闻文章，分为 6 个类别。该数据集具有简单的基线性能，以鼓励研究和更好的性能实验。

In NLP, text classification is one of the core problems we aim to solve, and its applications in linguistic analysis are undisputed. The lack of labeled training data makes such tasks more challenging for low-resource languages such as Amharic. The process of collecting, labeling, annotating, and curating such valuable data will encourage junior researchers, educational institutions, and machine learning practitioners to implement existing classification models using their native languages. In this brief paper, we aim to introduce the Amharic text classification dataset, which contains over 50,000 news articles categorized into 6 classes. This dataset provides simple baseline performance metrics to foster research and experiments for better model performance.

搜集汇总

背景与挑战

背景概述

该数据集是一个用于阿姆哈拉语新闻文本分类的资源，包含超过5万篇文章，划分为6个类别，旨在支持资源匮乏语言的NLP研究。它由亚的斯亚贝巴科技大学等机构于2021年发布，为文本分类任务提供了基础数据。