资源稀缺，如阿尔巴尼亚语等语言中的已注释文本语料库对计算语言学和自然语言处理研究构成严重障碍。本文介绍了 AlbNER，一个从阿尔巴尼亚维基百科文章中收集的具有标注命名实体的 900 个句子的语料库。使用 BERT 和 RoBERTa 变体在 AlbNER 数据上进行微调和测试的初步结果表明，模型大小对 NER 性能有轻微影响，而语言转移具有显著影响。AlbNER 语料库和这些获得的结果应作为未来实验的基线。

Sep, 2023

该论文介绍了阿尔巴尼亚语情感分析语料库 AlbMoRe，其中包含 800 个被标记为正面或负面的电影评论文本，并报告了使用这些样本训练的传统机器学习分类器的初步结果，可作为未来研究实验的比较基线。

Jun, 2023

本文介绍了基于 CNN/Dailymail 数据集构建的首个主题摘要语料库 NEWTS，用于支持主题摘要任务，可以评估不同提示方法的效果。

May, 2022

研究介绍了一个由超过 50,000 篇新闻文章组成、分为 6 类的阿姆哈拉文本分类数据集，并提供基准性能以促进相关研究和实验的实施。

Mar, 2021

本研究介绍了 NSINA，这是一个由 500,000 篇流行信拉语新闻网站上的文章构成的全面新闻语料库，并提出了三个自然语言处理任务：新闻媒体识别、新闻类别预测和新闻标题生成，旨在解决适用 LLMs 到信拉语的挑战，并为改进信拉语自然语言处理提供宝贵的资源和基准。NSINA 是迄今为止最大的信拉语新闻语料库。

Mar, 2024

该文章介绍了用于大型语言模型训练的塞尔维亚语（和塞尔维亚 - 克罗地亚语）的文本语料库，并公开存储在多个知名在线资源库之一。对每个语料库使用多种方法进行分类，并详细说明其特点。此外，文章还介绍了三个新的语料库：一个新的塞尔维亚 - 克罗地亚语综合网络语料库，一个基于塞尔维亚所有大学国家博士论文库中的博士学位论文的高质量语料库，以及同一来源的摘要翻译平行语料库。将通过基于频率的文体测量方法评估新旧语料库的独特性，并对结果进行简要讨论。

May, 2024

该研究提供了一个句子级情感数据集，覆盖了克罗地亚新闻领域，在已有的 3000 个注释文本的基础上，增加了 14500 个带有 5 个类别标签的注释句子出现。研究者在注释过程中提供了基线分数和标注者间的一致性分析。

May, 2023

该论文提出了 MasakhaNEWS 数据集来支持在 16 种非洲语言上的新闻主题分类研究，并探索了多种机器学习方法以支持零样本和少样本学习。通过使用 ChatGPT 等技术实现了在低资源非洲语言中进行新闻主题分类任务，能够在零样本情况下实现平均 F1 得分 70，利用 PET 方法，10 个样本即可实现较好的效果。

Apr, 2023

Babel Briefings 是一个新颖的数据集，包含了 2020 年 8 月至 2021 年 11 月的 470 万条新闻标题，涵盖了 30 种语言和 54 个地点，其中包括所有文章的英文翻译。该数据集适用于自然语言处理和媒体研究，是用于训练或评估语言模型的高质量数据集，同时也提供了一个简单易用的文章集合，用于分析全球新闻报道和文化叙述。通过使用基于 TF-IDF 加权相似度度量的基本过程将文章分组为关于同一事件的聚类，我们展示了该数据集所支持的分析功能，并可视化事件的 “事件签名”，展示随时间推移出现的语言和事件的意外程度。该数据集可在 Kaggle 和 HuggingFace 上获取，并附带 GitHub 代码。

Mar, 2024

该论文介绍了一种名为 Potrika 的大型单标签 Bangla 新闻文章文本数据集，包括八个区分不同类别的分类属性，为 NLP 研究提供了两个不平衡和平衡的数据集，以适应广泛的 NLP 研究，并且是目前最大、最全面的新闻分类数据集。

Oct, 2022