Tariq2023/Egyptian-text-summarization

---
language:
- ar
license: apache-2.0
task_categories:
- summarization
- text-generation
tags:
- egyptian-arabic
- text-summarization
- arabic-nlp
- summarization
size_categories:
- 1K<n<10K
pretty_name: "Egyptian Arabic Text Summarization Dataset"
dataset_info:
features:
- name: text
dtype: string
- name: summarized_text
dtype: string
- name: source_topics
dtype: string
splits:
- name: train
num_bytes: estimated
num_examples: estimated
download_size: estimated
dataset_size: estimated
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

# Egyptian Arabic Text Summarization Dataset

## Dataset Description

This dataset contains **text-summary pairs** in **Egyptian Arabic** designed for training and evaluating **text summarization models**.

### Key Features

- **Language**: Egyptian Arabic (العامية المصرية)
- **Task**: Text Summarization
- **Format**: Text-summary pairs with topic categorization
- **Content**: Diverse topics with natural Egyptian Arabic usage

## Dataset Structure

### Data Fields

- **`text`**: Original text content in Egyptian Arabic
- **`summarized_text`**: Corresponding summary in Egyptian Arabic
- **`source_topics`**: Topic categories in Arabic

### Example

```json
{
"text": "مع ظهور التكنولوجيا الرقمية في أوائل الألفينات، حصلت طفرة كبيرة للسينما المستقلة. الكاميرات الديجيتال وبرامج المونتاج سهلت على المخرجين الشباب إنهم ينتجوا أفلامهم بتكلفة أقل بكتير من الأول، وده فتح الباب لعدد أكبر من الأصوات الجديدة إنها تظهر وتقدم رؤى مختلفة بعيدًا عن القيود الإنتاجية الضخمة اللي كانت مفروضة قبل كده. التطور ده سمح بتجريب أساليب سرد جديدة وتناول قضايا أكتر جرأة وحرية، بعيدًا عن حسابات شباك التذاكر المعتادة، وده أثر بشكل إيجابي على تنوع المحتوى السينمائي المصري.",
"summarized_text": "التكنولوجيا الرقمية في الألفينات غيرت شكل السينما المستقلة في مصر، فقللت تكاليف الإنتاج وسمحت لمخرجين جدد بتقديم أفلامهم بسهولة أكبر، مما أثرى المحتوى وتنوعه."
"source_topics": "تطور السينما المستقلة في مصر"
}
```

## Usage

### Loading the Dataset

```python
from datasets import load_dataset

# Load the dataset
dataset = load_dataset("Omar-youssef/Egyptian-text-summarization")

# Access the training split
train_data = dataset['train']

# Example of accessing text-summary pairs
for example in train_data.select(range(3)):
print(f"Original Text: {example['text']}")
print(f"Summary: {example['summary']}")
print(f"Topic: {example['source_topics']}")
print("-" * 50)
```

## Data Quality Features

- **Natural Language**: Authentic Egyptian Arabic expressions and vocabulary
- **Coherent Summaries**: Well-structured summaries maintaining key information
- **Topic Diversity**: Wide range of subjects and domains
- **Length Variation**: Different text lengths for robust model training
- **Cultural Context**: Content relevant to Egyptian and Arab contexts
- **Linguistic Authenticity**: Preserves Egyptian Arabic dialect characteristics

## Citation

If you use this dataset in your research, please cite:

```bibtex
@dataset{omar_youssef_egyptian_summarization,
author = {Omar Youssef},
title = {Egyptian Arabic Text Summarization Dataset},
year = {2025},
publisher = {Hugging Face},
url = {https://huggingface.co/datasets/Omar-youssef/Egyptian-text-summarization},
note = {Egyptian Arabic text summarization corpus for NLP research}
}
```

## License

This dataset is released under the **Apache 2.0** license, allowing for both research and commercial use.