用于文本摘要的印度语言数据集综述
计算与语言
2022-04-28 v3
摘要
在本文中，我们调研了印度语言（ILs）中用于文本摘要（TS）的数据集，这些语言也属于低资源语言（LRLs）。我们试图回答一个主要问题：印度语言文本摘要（ILTS）数据集的库是在增长还是存在资源匮乏？为回答该主要问题，我们提出两个关于ILTS数据集的子问题：第一，ILTS数据集具有何种特征：格式与领域？第二，ILTS数据集的这些特征与高资源语言（HRLs）特别是英语有何不同？我们聚焦于2012–2022年间已发表的ILTS研究工作中报告的数据集。对ILTS与英语数据集的调研揭示了两个相似点与一个差异。两个相似点是：第一，数据集领域通常为新闻（Hermann et al., 2015）；第二相似点是数据集格式兼具抽取式与生成式。差异在于数据集开发研究的进展方式。与英语相比，ILs在数据集开发和公开发布方面进展缓慢。我们认为ILTS数据集数量相对较少的原因有二：第一，缺乏开发TS工具与资源的专门论坛；第二，公共领域缺乏可共享的标准数据集。
引用
@article{arxiv.2203.16127,
title = {An Overview of Indian Language Datasets used for Text Summarization},
author = {Shagun Sinha and Girish Nath Jha},
journal= {arXiv preprint arXiv:2203.16127},
year = {2022}
}