PCD (Poem Comprehensive Dataset)

“阿拉伯语数据集主要从 الموسوعة الشعرية 和 الشعرية 和 الديوان 抓取。合并两者后，诗句总数为 1,831,770 诗句。每节诗都标有韵律、作者和时代写在。有22米，3701位诗人和11个时代：前伊斯兰，伊斯兰，倭马亚，马穆鲁克，阿拔斯，阿尤布，奥斯曼，安达卢西亚，倭马亚和阿拔斯之间的时代，法蒂玛，最后是现代。我们只感兴趣在归因于 Al-Farahidi 的 16 个经典米中，它们构成了数据集的大部分，总数约为 170 万节经文。需要注意的是，经文的变音符号状态并不一致。这意味着一个经文可以携带完整的，半变音符号，或者什么都没有。英语数据集是从许多不同的网络资源中抓取的。它由 199,002 节经文组成，每节都标有以下四个米之一：Iambic、Trochee、Dactyl 和 Anapaestic。 Iambic 类主导数据集吨；它们是 186,809 首 Iambic 诗句、5418 首 Trochee 诗句、5378 首 Anapaestic 诗句、1397 首 Dactyl 诗句。”

搜集汇总

背景与挑战

背景概述

PCD（Poem Comprehensive Dataset）是一个综合诗歌数据集，专注于诗韵分类，包含阿拉伯语和英语诗歌。阿拉伯语部分拥有约183万诗句，标注了韵律、作者和时代等信息；英语部分包含约19.9万诗句，分为四种韵律类型。该数据集旨在支持语言理解和合成研究。