数据集概述
本数据集是针对马拉雅拉姆语-英语混合文本的单词级语言识别标注数据，包含一万二千四百零二个句子，标注类别分为马拉雅拉姆语（Mal）、英语（Eng）、混合词（Mix）和其他（Othr）四类，支持自然语言处理领域的语言识别任务研究。
文件详解
该数据集包含三个格式的文件，具体说明如下：
- 文件名称: Wollai_Mal_Eng_dataset.xlsx（Excel格式）、Wollai_Mal_Eng_dataset.txt（文本格式）、Wollai_Mal_Eng_dataset.csv（CSV格式）
- 共同字段:
- Sentence#: 句子编号
- Word: 单词文本
- Language: 语言标注类别（Mal/Eng/Mix/Othr）
- 标注规则:
- Mal: 马拉雅拉姆语单词
- Eng: 英语单词
- Mix: 马拉雅拉姆语后缀与英语词根组合的混合词
- Othr: 数字、缩写、命名实体等其他类型单词
适用场景
- 自然语言处理研究: 用于混合文本的单词级语言识别模型训练与评估
- 计算语言学分析: 分析马拉雅拉姆语-英语混合文本的语言结构特征
- 多语言文本处理: 支持混合文本的预处理、分词等下游任务
- 语言资源构建: 补充低资源语言混合文本的标注数据资源
