Apr, 2024

L3Cube-MahaNews：马拉地语基于新闻的短文本和长文档分类数据集

PDF
TL;DR我们介绍了 L3Cube-MahaNews，这是一个关注新闻标题和文章的最大的监督式马拉地语文本分类语料库，包含超过 1.05L 条记录，分为 12 个不同类别的多样性范围。我们提供了使用最先进的预训练 BERT 模型在这些数据集上的详细统计数据和基线结果。在各个数据集上，单一语言的 MahaBERT 模型的性能都优于其他模型。这些资源也可用作马拉地语主题分类数据集或模型，并可在此 https URL 中公开获取。
发现论文，激发创造
  • L3Cube-IndicNews：印度语言的基于新闻的短文本和长文档分类数据集

    本研究介绍了 L3Cube-IndicNews，一个以新闻标题和文章为重点的多语种文本分类语料库，针对印度区域语言提供高质量的数据集。我们的工作集中在 10 种重要的 Indic 语言上，包括印地语、孟加拉语、马拉地语、泰卢固语、泰米尔语、古吉拉特语、卡纳达语、奥迪亚语、马拉雅拉姆语和旁遮普语。每个新闻数据集都包括 10 个或更多的新闻类别。L3Cube-IndicNews 提供了 3 个不同的数据集，针对不同的文档长度进行分类，分别是：包含新闻标题和新闻类别的 Short Headlines Classification (SHC) 数据集，包含整个新闻文章和新闻类别的 Long Document Classification (LDC) 数据集，以及包含新闻子文章和新闻类别的 Long Paragraph Classification (LPC) 数据集。我们在所有 3 个数据集上采用一致的标签，进行了深度基于长度的分析。我们使用 4 种不同的模型，包括单语 BERT、多语言 Indic 句子 BERT (IndicSBERT) 和 IndicBERT，对每个 Indic 语言数据集进行了评估。本研究在扩大可用的文本分类数据集方面做出了重要贡献，也为开发面向印度区域语言的主题分类模型提供了可能。由于各语言之间标签的高度重叠，这也是进行跨语言分析的极好资源。数据集和模型已公开共享于此 https URL。

    Jan, 2024

  • L3Cube-MahaCorpus 和 MahaBERT：马拉提语单语语料库、马拉提 BERT 语言模型和资源

    该研究介绍了 L3Cube-MahaCorpus，这是一个从不同互联网来源抓取的马拉提语单语数据集，它包含 24.8M 句子和 289M 个记号。该研究基于这个数据集训练了多个模型，如 MahaBERT、MahaAlBERT、MahaRoBerta 和 MahaFT 等，并且展示了它们在下游任务中的有效性。这项工作是为了为马拉提语的开放资源建立一步。

    Feb, 2022

  • L3Cube-MahaNLP: 马拉地语自然语言处理数据集、模型和库

    L3Cube-MahaNLP 旨在为印度第三流行的马拉地语构建 NLP 资源和库。该论文提出了针对情感分析、实体识别和仇恨言论检测的数据集和变形器模型，并发布了一个单语马拉地语语料库。作者的目标是为马拉地语准备有用的资源，并提供 MahaCorpus、MahaSent、MahaNER 和 MahaHate 数据集及其相应的 MahaBERT 模型。

    May, 2022

  • L3Cube-MahaHate: 基于推特的马拉提语仇恨言论检测数据集与 BERT 模型

    该研究介绍了 L3Cube-MahaHate，这是首个主要的马拉地语恶意言论数据集，收集自 Twitter 上的超过 25000 条不同推文，并基于卷积神经网络、LSTM 和 Transformers 构建基线分类模型，结果表明单语言模型胜于多语言模型，其中 MahaBERT 模型在 L3Cube-MahaHate 语料库上表现最佳。

    Mar, 2022

  • L3Cube-MahaSent-MD: 多域马拉地语情感分析数据集和 Transformer 模型

    介绍了 L3Cube-MahaSent-MD 数据集，它是第一个综合的多域情感分析数据集，可用于印度情感领域，包括 4 种不同来源的标注语料（60,000 个样本），涵盖了 3 种不同情感（积极、消极和中性），使用 MahaBERT 模型获得最佳准确性表现。

    Jun, 2023

  • L3Cube-MahaSocialNER：基于社交媒体的马拉地语命名实体识别数据集和 BERT 模型

    该研究论文介绍了 L3Cube-MahaSocialNER 数据集，这是第一个也是最大的社交媒体数据集，专门用于马拉地语命名实体识别 (NER)。该数据集包含 18,000 个经过手工标记的句子，涵盖了八个实体类别，解决了社交媒体数据的挑战，包括非标准语言和非正式成语。研究评估了深度学习模型，包括 CNN、LSTM、BiLSTM 和 Transformer 模型，使用 IOB 和非 IOB 标记在单个数据集上取得了效果。结果表明，这些模型能够准确识别马拉地语非正式文本中的命名实体。L3Cube-MahaSocialNER 数据集提供以用户为中心的信息提取，并支持实时应用，为社交媒体平台上的舆情分析、新闻和营销提供了宝贵的资源。我们还展示了常规 NER 模型在社交 NER 测试集上的零样本结果较差，强调了需要更多的社交 NER 数据集。该数据集和模型已公开提供，网址为 https URL。

    Dec, 2023

  • L3Cube-MahaNER: 一个马拉地语的命名实体识别数据集和 BERT 模型

    本文首次提出 L3Cube-MahaNER，这是一份 Marathi 语言的命名实体识别的黄金标准数据集，使用了不同基于 CNN、LSTM、变压器的模型进行了基准测试，发现 MahaBERT 表现最佳。

    Apr, 2022

  • L3CubeMahaSent: 一份基于马拉地语推文的情感分析数据集

    本文介绍了用于 Marathi 语言情感分析的第一个主要公开数据集 L3CubeMahaSent，该数据集包括大约 16,000 条来自名人推特账户的推文，使用 CNN、LSTM、ULMFiT 和 BERT 等深度学习模型对其进行了基础分类结果的统计。

    Mar, 2021

  • L3Cube-MahaSBERT 和 HindSBERT：用于印地语和马拉地语的句子 BERT 模型和评估 BERT 句子表示的基准

    本文介绍了使用合成的 NLI 和 STS 数据集，针对印地语和马拉地语这两种低资源语言，使用 NLI 预训练和 STSb 微调策略训练生成的高性能 Sentence-BERT 模型，并在下游文本分类和相似性任务中进行了评估。同时，提出了基于不同模型的句子嵌入的比较分析，并释放了 L3Cube-MahaSBERT 和 HindSBERT。

    Nov, 2022

  • 我的 Boli：混合马拉地语 - 英语语料库，预训练语言模型和评估基准

    本文介绍了一个新的程序混合（Code-mixed）语料库及预训练模型，为印度语言 Marathi 的程序混合研究奠定了基础，并提供了三个数据集用于下游任务。

    Jun, 2023