مجلة العلوم والتكنولوجيا
Volume 6, Numéro 2, Pages 23-31
2025-12-31
وطن-2004 وخليج-2004: مدونتان عربيتان للمعالجة الآلية للغات الطبيعية
Authors : Abbas Mourad .
Abstract
تعتبر البيانات نفط القرن الواحد والعشرين لما لها من بالغ الأهمية في تعلم الآلة. ونعرض في هذه الورقة وصفا لمجموعة بيانات، قمنا بإعدادها بشكل رئيسي لتصنيف النصوص العربية، ولأغراض أخرى تتعلق بمعالجة اللغات الطبيعية، مثل تلخيص النصوص، ونمذجة اللغة، والتعرف على الكيانات المسماة، بالإضافة إلى بناء موارد أخرى أو تطوير أدوات المعالجة الأولية المختلفة. تتكون مجموعة البيانات من مدونتين، هما وطن-2004 وخليج-2004، جُمعتا من صحف عربية إلكترونية. يبلغ حجمهما حوالي عشرة ملايين كلمة وثلاثة ملايين كلمة على التوالي. The dataset, we present in this paper, has been prepared mainly for Arabic text categorization. Nevertheless, it is useful for other purposes related to Natural Language Processing as text summarization, language modeling and Named entity recognition, as well as for building other resources or achieving different preprocessing tools. The dataset is composed of two Arabic corpora, namely Watan-2004 and Khaleej-2004, collected from online Arabic newspapers. Their sizes are around ten millions and three millions words respectively.
Keywords
المعالجة الآلية للغات الطبيعية ; المدونات ; وطن-2004 ; خليج-2004
Les articles similaires
سالمي عبد المجيد
.
بشير بويجرة سومية
.
ص 521-542.
