-
Tigrinya_Analogy_Test_词嵌入模型评估数据集
2026年2月13日 30 181 76
数据集概述 本数据集是提格利尼亚语版的谷歌类比测试集，用于评估词嵌入模型质量。数据经机器翻译后由母语者人工验证，剔除了不适用的条目，最终包含一万八千四百六十五条语义和句法类比条目，分为首都、货币、家庭、时态等九个测试小节。 文件详解 文件名称：TigrinyaAnalogyTest.zip 文件格式：ZIP...
-
阿姆哈拉语监督式主题分类语料库
2026年2月12日 30 30 4
数据集概述 本数据集为阿姆哈拉语主题分类监督语料库，由埃塞俄比亚记者专业标注，文件名为Supervised_Topic_Classifier_Corpus.xml。数据集包含一份XML格式文件，未划分训练/测试集、数据/标签集或原始/处理集，可用于自然语言处理领域的阿姆哈拉语文本分类研究，需进一步优化完善。 文件详解...
-
Ge_ez_Based_文本抽取式摘要任务数据集
2026年2月1日 30 120 82
数据集概述 本数据集为Ge'ez语言文本的抽取式摘要任务专用数据，包含一份Ge'ez语言的文本文件，主要用于自然语言处理领域的文本摘要算法训练与测试，支持对Ge'ez文本内容的结构化分析需求。 文件详解 文件名称：Geez_Text_120.xlsx 文件格式：XLSX...
-
Urdu_Based乌尔都语攻击性内容数据集及实现代码
2026年1月30日 30 186 27
数据集概述 本数据集包含乌尔都语攻击性语言相关的Python代码和多种特征文件，用于复现研究论文结果并扩展相关发现。数据集共含5个文件，无目录层级，主要分为数据文件和代码文件两类，支持乌尔都语文本的攻击性内容分析任务。 文件详解 数据文件（.xlsx格式，共3个） dataset-unigram.xlsx：乌尔都语攻击性内容的单字词特征数据...
-
南非语言嵌入评估数据集_Simlex_和_WordSim
2026年1月30日 30 170 31
数据集概述 本数据集包含针对南非语言（塞茨瓦纳语、塞佩迪语）的Simlex和WordSim评估数据，通过人工标注的单词对相似度评分，用于衡量语义相关性。单词对由英文手动翻译而来，可用于计算模型向量余弦相似度与人类评分的相关性，评估语言模型性能。数据集共含4个文件。 文件详解 文件名称：SimLex-999-orig - Sepedi.xlsx...
-
CLDF_Ivani_Suansu基础词汇数据集2019
2026年1月30日 30 40 8
数据集概述 本数据集是基于Ivani 2019年关于印度东北部藏缅语族语言Suansu的基础词汇研究形成的CLDF格式数据集，核心内容为Suansu语言的基础词汇信息，为语言研究提供结构化资源。 文件详解 文件名称：lexibank/ivanisuansu-v2.0.zip 文件格式：ZIP...
-
AI4D_Based法语至丰贝埃维神经机器翻译平行文本数据集
2026年1月29日 30 191 25
数据集概述 本数据集是面向神经机器翻译任务的多语言平行文本集合，包含从法语到丰贝语（多哥语言）、法语到埃维语（贝宁语言）的平行句子对，总计七万余条标注数据，适用于机器翻译和句子分类任务，由AI4D倡议贡献。 文件详解 文件名称：French_to_fongbe.csv 文件格式：CSV...
-
UCS_Dataset_Based_乌尔都语犯罪新闻摘要语料库
2026年1月29日 30 30 4
数据集概述 本数据集包含1500篇乌尔都语犯罪新闻文章的摘要内容，主要用于训练抽象式文本摘要模型。数据集仅含一个文件，无目录结构，未划分训练/测试集、数据/标签集或原始/处理数据集，便于集中使用。 文件详解 文件名称：UCS-Dataset.xlsx 文件格式：XLSX...
-
OWT_Tag_Based_奥克语传统书面民间故事词性标注语料库
2026年1月28日 30 180 148
数据集概述 本数据集包含5篇奥克语传统书面民间故事文本摘录，均按照Grace标准进行了词元与词性的人工标注。文本摘录自J.-F. Bladé、J.-V. Lalanne等作者的民间故事集，每篇约1500词，用于评估奥克语词性标注工具Talismane针对OcOr语料库的性能，由ExpressioNarration项目产出。 文件详解 文件名称：OWT-...
-
deLearyous_Based_人际环模型荷兰语情感分类数据集
2026年1月28日 30 176 36
数据集概述 本数据集为基于Leary's Rose（人际环模型）的荷兰弗拉芒语情感分类数据集，包含11段对话的句子级标注。标注涵盖"支配性"和"亲和性"两个维度，提供8个象限离散类别标签、中性类别标签，以及连续值细粒度标注，用于情感分类研究。 文件详解 文件名称：deLearyous.zip 文件格式：ZIP...
-
NLUCat_Based_加泰罗尼亚语NLU意图与槽位标注数据集
2026年1月28日 30 3 0
数据集概述 本数据集为加泰罗尼亚语的自然语言理解（NLU）数据集，包含近1.2万条标注指令，涵盖虚拟家庭助手常用意图及弱势群体的社会、医疗需求意图，标注细粒度槽位并考虑加泰罗尼亚语使用者的地理文化背景。可用于训练意图分类、槽位识别及示例生成模型。 文件详解 主数据集文件 文件名称：NLUCat_dataset.json 文件格式：JSON...
-
Tolosa_Treebank_Occitan语言依存句法标注数据
2026年1月27日 30 61 44
数据集概述 本数据集是首个奥克语依存树库，由POCTEFA Interreg欧洲基金资助的EFA 227/16 LINGUATEC项目开发。包含25K个标注了词性标签、词元及句法依存关系的词元，遵循通用依存关系（UD）标注规范，数据以ConLL-U格式存储，覆盖加斯科涅、朗格多克、勒穆瓦纳和普罗旺斯四种主要奥克语方言。 文件详解...
-
African_News_Corpus_非洲19种语言新闻语料数据
2026年1月27日 30 185 47
数据集概述 本数据集为非洲19种语言的单语种新闻语料库，来源包括VOA、BBC、Isolezwe等平台及项目。数据由不同来源整合而成，涉及多种非洲本土语言，总计包含20个文件，均为压缩格式，无目录层级结构。 文件详解 压缩文件包...
-
HornMT_Based_非洲之角多语言机器翻译基准平行语料数据集
2026年1月27日 30 39 30
数据集概述 本数据集是针对非洲之角语言的机器翻译基准平行语料库，包含阿法尔语、阿姆哈拉语、英语、奥罗莫语、索马里语、提格雷尼亚语6种语言的新闻片段平行文本，以及每条文本对应的元数据（如新闻范围、类别、来源等），支持多语言机器翻译研究与系统开发。 文件详解 核心数据文件 目录名称：data/...
-
Deep_learning_Based_孟加拉语深度学习问答系统数据集
2026年1月26日 30 160 132
数据集概述 本数据集是论文《Deep learning based question answering system in Bengali》的配套数据，为SQuAD 2.0数据集的孟加拉语翻译版本，包含训练、验证及预处理翻译结果三类文件，共3个JSON格式文件，可用于孟加拉语问答系统的深度学习研究。 文件详解...
-
Gronings_Based_低资源语言口语术语检测特征提取方法评估数据集
2026年1月21日 30 30 0
数据集概述 本数据集用于评估低资源语言下基于示例查询的口语术语检测（QBE-STD）的特征提取方法，核心围绕Gronings语言相关的检测任务，通过单一压缩文件提供数据支持，可结合GitHub仓库的README获取详细信息。 文件详解 文件名称：gos-kdl.zip 文件格式：ZIP...
-
Fongbe_Speech_Dataset_贝宁Fongbe语言语音数据集
2026年1月21日 30 42 10
数据集概述 本数据集为贝宁主要使用的Fongbe语言语音数据集，包含语音音频文件、对应转录文本、数据集文档及元数据文件，用于支持Fongbe语言相关的语音技术研究与应用开发。 文件详解 压缩包文件 文件名称：Fongbe_Speech_Dataset.zip 文件格式：ZIP 字段映射介绍：压缩包内包含三个核心部分：...
-
Bangla_REX_Based_孟加拉语关系抽取数据集_完整标注版
2026年1月23日 30 73 20
数据集概述 本数据集是针对孟加拉语关系抽取任务构建的专用数据集，基于结构化知识库和标注语料的理论框架生成。包含63,256条条目组成的孟加拉语知识库（KB）、90,441条带命名实体识别（NER）和词性标注（POS）的文本语料，以及440个孟加拉语地点助记符，可直接用于关系抽取任务。 文件详解 location_mnemonics.xlsx...
-
ARAFA_Generated_Based_阿拉伯语大规模事实核查数据集
2026年1月21日 30 144 83
数据集概述 本数据集是面向阿拉伯语自然语言处理的大规模事实核查数据集ARAFA，通过大语言模型自动化框架构建，包含181,976条标注为支持、反驳或信息不足的主张-证据对，可用于阿拉伯语自动事实核查模型训练与评估。 文件详解 文件名称：ARAFA.json 文件格式：JSON...
-
低资源语言数据集_基于肯尼亚本土语言与斯瓦希里语的平行语料库_v1_0_0
2026年1月21日 30 193 147
数据集概述 本数据集包含肯尼亚三种本土语言（Kidaw'ida、Kalenjin、Dholuo）与斯瓦希里语的平行语料库，每种语料库平均含三万句对，用于训练机器翻译模型，支持斯瓦希里语与本土语言间的翻译，由USIU-Africa等机构研究者创建，将持续更新优化。 文件详解 文件名称：waleghwa/low-resource-language-...
