hugginglearners/malayalam_news

IndicNLP新闻文章分类数据集是基于IndicNLP文本语料库创建的，涵盖了9种语言的新闻文章及其类别。该数据集在类别之间是平衡的，每种语言的类别和每类文章的数量如下表所示：Bengali（娱乐、体育，每类7K篇）、Gujarati（商业、娱乐、体育，每类680篇）、Kannada（娱乐、生活方式、体育，每类10K篇）、Malayalam（商业、娱乐、体育、技术，每类1.5K篇）、Marathi（娱乐、生活方式、体育，每类1.5K篇）、Oriya（商业、犯罪、娱乐、体育，每类7.5K篇）、Punjabi（商业、娱乐、体育、政治，每类780篇）、Tamil（娱乐、政治、体育，每类3.9K篇）、Telugu（娱乐、商业、体育，每类8K篇）。

The IndicNLP News Article Classification Dataset is developed based on the IndicNLP text corpus, encompassing news articles and their respective categories across 9 languages. The dataset is balanced across categories, with the category configuration per language and the number of articles per category detailed below: Bengali (Entertainment, Sports, 7K articles per category), Gujarati (Business, Entertainment, Sports, 680 articles per category), Kannada (Entertainment, Lifestyle, Sports, 10K articles per category), Malayalam (Business, Entertainment, Sports, Technology, 1.5K articles per category), Marathi (Entertainment, Lifestyle, Sports, 1.5K articles per category), Oriya (Business, Crime, Entertainment, Sports, 7.5K articles per category), Punjabi (Business, Entertainment, Sports, Politics, 780 articles per category), Tamil (Entertainment, Politics, Sports, 3.9K articles per category), Telugu (Entertainment, Business, Sports, 8K articles per category).

原始信息汇总

IndicNLP News Article Classification Dataset 概述

数据集描述

• 目的: 用于新闻文章分类的数据集，包含9种语言的新闻文章及其类别。
• 语言和类别:
  • Bengali: 包含娱乐和体育两个类别，每个类别约7000篇文章。
  • Gujarati: 包含商业、娱乐和体育三个类别，共680篇文章。
  • Kannada: 包含娱乐、生活方式和体育三个类别，共10000篇文章。
  • Malayalam: 包含商业、娱乐、体育和技术四个类别，共1500篇文章。
  • Marathi: 包含娱乐、生活方式和体育三个类别，共1500篇文章。
  • Oriya: 包含商业、犯罪、娱乐和体育四个类别，共7500篇文章。
  • Punjabi: 包含商业、娱乐、体育和政治四个类别，共780篇文章。
  • Tamil: 包含娱乐、政治和体育三个类别，共3900篇文章。
  • Telugu: 包含娱乐、商业和体育三个类别，共8000篇文章。

数据集统计

• 数据集在各个类别中保持平衡。

引用信息

• 若使用此数据集，建议引用以下文章：

  @article{kunchukuttan2020indicnlpcorpus, title={AI4Bharat-IndicNLP Corpus: Monolingual Corpora and Word Embeddings for Indic Languages}, author={Anoop Kunchukuttan and Divyansha Kakwani and Satish Golla and Gokul N.C. and Avik Bhattacharyya and Mitesh M. Khapra and Pratyush Kumar}, year={2020}, journal={arXiv preprint arXiv:2005.00085}, }