本文介绍了使用 ADAT 工具在多个社交媒体平台中收集了逾 120 万单词量的四种不同阿拉伯方言 Lisan Corpus，并对其词干和词缀进行了分词和词形注解。

Dec, 2022

本文介绍一种收集和处理阿拉伯语历史语料库的方法，所得到的大规模语料库包括约 10 亿个单词，使用形态分析器进行处理，并检测出了平行段落并自动标注了年代。该语料库可用于数字人文学研究的实际应用。

Dec, 2016

这项研究介绍了一个由超过 500GB 的阿拉伯语言清理文本构成的语料库，旨在提高大规模语言模型的跨领域知识和下游泛化能力。此外，该语料库还被用于大型阿拉伯语言模型的训练，在对典型的 NLP 任务进行微调时，与 mBERT 相比表现出 4.5% 至 8.5% 的显着提升，据我所知，这是目前所收集的最大、最清洁、最具多样性的阿拉伯语语料库。

Jan, 2022

本文旨在调查目前免费提供的阿拉伯语语料库和语言资源的列表，并提供各种类别研究的发现和可能获得数据的直接链接。初步结果表明有 66 个来源可供选用，以方便自然语言处理应用的建立。

Feb, 2017

本研究旨在建立一份当代阿拉伯文语料库，收集了包括 8 个阿拉伯国家 10 个主要新闻来源的报纸文章，共计超过 5 百万篇文章，包含 15 亿个单词，标记了 SGML 和 XML 两种标记语言，并使用 UTF-8 和 Windows CP-1256 两种编码格式。

Nov, 2016

该文介绍了一组规则，用于将 LDC 开发的阿拉伯语树库数据集划分为多个数据集，以满足自然语言处理研究中模型培训、技术开发和最终评估等需求。

Sep, 2013

该论文介绍了 Nabra，一个带有形态学注释的叙利亚阿拉伯方言语料库。叙利亚本土人收集了超过 6,000 个句子，包含大约 60,000 个单词，来自社交媒体帖子、电影和电视剧的剧本、歌曲歌词和当地谚语，用于构建 Nabra。Nabra 涵盖了包括阿勒颇、大马士革、代尔祖尔、哈马、霍姆斯、胡兰、拉塔基亚、马尔丁、拉卡和苏韦达在内的多种叙利亚当地方言。九名注释员在句子上下文中对这 60,000 个标记进行了全面的形态学注释。我们培训注释员遵循方法论注释指南，确保了唯一的语素注释，并对注释进行了规范化处理。F1 和 kappa 一致性得分在不同特征间的范围为 74％到 98％，显示了 Nabra 注释的出色质量。我们的语料库是开源的，并作为 Currasat 门户的一部分公开可用，此链接：[https://a_valid_link].

Oct, 2023

该研究关注自然语言处理中的性别偏见问题，而新推出的阿拉伯语平行语料库对在阿拉伯语等形态丰富语言中缓解此问题有着重要作用。

Oct, 2021

提出利用内容本土化的基于神经机器翻译的方法，为低资源阿拉伯方言（如黎凡特语和海湾语）开发情感和仇恨分类器，并通过无监督学习推断隐藏主题，从而在其本土语言 / 方言中提供连贯的解释，从而实现准确区分情感并识别仇恨内容的有效性。

Nov, 2023

本研究旨在解决少数民族语言技术中面临的数据缺乏问题，提供了从当地新闻网站、当地电台和实地调查这几个角度获取南库尔德语和拉基语的语料库的方法，并探讨了语言识别任务在不同库尔德语言种和扎扎 - 戈拉尼语中的研究。

Apr, 2023