20min-XD：瑞士新闻文章的可比较语料库
计算与语言
2025-05-01 v1
摘要
我们提出 20min-XD（20 分钟 跨语言 文档级），这是一个来自瑞士在线新闻平台 20 Minuten/20 minutes 的法德语、文档级可比较语料库。该数据集包含约 15,000 篇文章对，涵盖 2015 年至 2024 年，基于语义相似性自动对齐。我们详细描述了数据收集过程与对齐方法。此外，我们提供了该语料库的定性与定量分析。 resulting 数据集呈现出从近似翻译到松散关联文章的广泛跨语言相似性范围，使其对各种 NLP 应用和广泛语言学动机研究都非常有价值。我们公开发布该数据集的文档级与句子级对齐版本以及用于描述实验的代码。
引用
@article{arxiv.2504.21677,
title = {20min-XD: A Comparable Corpus of Swiss News Articles},
author = {Michelle Wastl and Jannis Vamvas and Selena Calleri and Rico Sennrich},
journal= {arXiv preprint arXiv:2504.21677},
year = {2025}
}
备注
10 pages; accepted at SwissText 2025