MLDoc (Multilingual Document Classification Corpus)

跨语言文档分类旨在用一种语言的资源训练文档分类器，并将其转换为另一种语言，而无需任何额外资源。文献中提出了几种方法，目前的最佳实践是在路透社语料库第 2 卷的子集上对其进行评估。但是，该子集仅涵盖少数语言（英语、德语、法语和西班牙语），并且几乎所有已发表的作品都集中在关于英语和德语之间的转换。此外，我们观察到语言之间的类先验分布显着不同。我们认为这使多语言的评估变得复杂。

搜集汇总

背景与挑战

背景概述

MLDoc是一个用于跨语言文档分类的数据集，旨在通过单一语言资源训练分类器并迁移到其他语言。现有评估主要基于路透社语料库的有限语言子集（如英语和德语），且数据中语言间的类分布差异可能增加多语言评估的复杂性。