海湾阿拉伯语大规模语料库
计算与语言
2016-09-13 v1
摘要
大多数阿拉伯语自然语言处理工具和资源是为现代标准阿拉伯语（MSA）开发的，它是阿拉伯世界的官方书面语言。一些阿拉伯语方言变体，尤其是埃及阿拉伯语，近来受到一些关注，并拥有不断增长的资源，包括标注语料库、形态分析器和标注器。然而，海湾阿拉伯语在这方面相对滞后。在本文中，我们提出了 Gumar 语料库，这是一个由 1,200 部论坛小说组成、包含 1.1 亿词的海湾阿拉伯语大规模语料库。我们在文档级别对语料库的次方言信息进行了标注。我们还展示了海湾阿拉伯语形态标注初步研究的结果，其中包括为常规正字法制定指南。语料库的文本可通过我们为其开发的网络界面公开浏览。
引用
@article{arxiv.1609.02960,
title = {A Large Scale Corpus of Gulf Arabic},
author = {Salam Khalifa and Nizar Habash and Dana Abdulrahim and Sara Hassan},
journal= {arXiv preprint arXiv:1609.02960},
year = {2016}
}
备注
Language Resources and Evaluation Conference 2016