语言技术研究中心 发布 TeClass 数据集, 应用在 自然语言处理、新闻分类 领域

语言技术研究中心 本次发布的数据集 TeClass, TeClass是首个针对泰卢固语新闻标题分类的人工标注数据集，由IIIT海得拉巴的语言技术研究中心创建。该数据集包含26,178对新闻文章与标题，共计78,534个标注，覆盖多个新闻领域。数据集通过网络爬虫从多个新闻网站收集，并由泰卢固语母语者进行标注，分为高度相关、中度相关和低度相关三个类别。TeClass旨在解决低资源语言中新闻标题生成模型的性能问题，通过提供高质量的相关性标注数据，帮助模型生成更相关的新闻标题。

查看TeClass

README 内容： 

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。