SALMA 是第一个阿拉伯语的语义注释语料库，包含约 34K 个令牌，所有令牌都进行了语义注释，并使用两个不同的语义库（现代语义库和 Ghani 语义库）进行注释。该语料库的创新之处在于如何关联令牌和语义，SALMA 将令牌与多个语义关联并为每个语义提供分数。我们开发了一个智能的基于 web 的注释工具来支持给定词语的多个语义的评分。除了语义注释，我们还使用六种类型的命名实体进行了语料库的注释。通过使用多种度量标准（Kappa，线性加权 Kappa，二次加权 Kappa，均方误差和平均平方根误差），我们评估了注释的质量，结果显示极高的注释者一致性。为了建立使用我们 SALMA 语料库的词义消歧基线，我们使用目标语义验证构建了一个端到端的词义消歧系统。我们使用该系统评估了文献中提供的三个目标语义验证模型。我们的最佳模型在使用现代语义库时达到了 84.2％的准确率，在使用 Ghani 语义库时达到了 78.7％的准确率。完整的语料库和注释工具是开源和公开可用的。

Oct, 2023

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

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

该研究提供了一个从网络资源中编制而来的德语语料库，可用于自动易读性评估和自动文本简化，并包含文字结构、排版和图片信息，可以作为机器学习方法中易读性评估和文本简化的一部分。本研究重点关注将此信息作为现有语料库标准的扩展。

Sep, 2019

本文介绍了对现代标准阿拉伯语（MSA）文本的词汇语义分析和注释的持续努力，提出了一个半自动注释工具，涉及描述的形态、句法和语义层面。

May, 2016

本文提出了一种自动构建阿尔及利亚方言情感语料库的新方法，该语料库基于自动构建的阿尔及利亚情感词典，涉及使用阿拉伯文和阿拉伯字母拼音写成的社交媒体数据，并且取得了较好的实验结果。

Aug, 2018

本文尝试构建一种现代标准阿拉伯语 (MSA) 句子级简化系统，使用两种方法进行简化：基于分类的方法和生成式方法 (mT5)，并使用 BERTScore 评估了它们的有效性。

Apr, 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

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