印度信息技术学院海得拉巴分校 发布 Mukhyansh 数据集, 应用在 自然语言处理、印度语言 领域

印度信息技术学院海得拉巴分校 本次发布的数据集 Mukhyansh, Mukhyansh数据集是由印度信息技术学院海得拉巴分校的语言技术研究中心创建的，旨在解决印度语言在自然语言处理领域中数据稀缺的问题。该数据集包含超过339万条新闻文章与相应标题的配对，覆盖了泰卢固语、泰米尔语、卡纳达语、马拉雅拉姆语、印地语、孟加拉语、马拉地语和古吉拉特语等8种印度主要语言。数据收集过程中，研究团队开发了针对特定新闻网站的爬虫，确保数据的高质量和多样性。该数据集主要用于训练和评估印度语言的标题生成模型，以推动低资源语言处理的研究。

查看Mukhyansh

README 内容： 

关于 印度信息技术学院海得拉巴分校 , 印度信息技术学院海得拉巴分校是印度信息技术学院在海得拉巴设立的分校，专注于信息技术领域的教育和研究。

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。