布加勒斯特大学 发布 Moldavian and Romanian Dialectal Corpus (MOROCO) 数据集, 应用在 方言识别、主题分类 领域

布加勒斯特大学 本次发布的数据集 Moldavian and Romanian Dialectal Corpus (MOROCO), MOROCO是一个包含33564个文本样本的大型数据集，由布加勒斯特大学计算机科学系创建。该数据集主要从新闻领域收集，涵盖文化、金融、政治、科学、体育和技术六个主题，总Token数超过1000万。数据集的创建过程涉及从罗马尼亚和摩尔多瓦的顶级新闻网站收集文本样本，并通过自动标签区分不同方言。MOROCO的应用领域包括方言识别和主题分类，旨在解决文本样本的方言和主题分类问题。

查看Moldavian and Romanian Dialectal Corpus (MOROCO)

README 内容： 

关于 布加勒斯特大学 , 布加勒斯特大学是罗马尼亚最古老和最著名的大学之一，成立于1864年，提供广泛的学术课程，包括自然科学、社会科学和人文科学等多个领域。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。