X-Topic：多语言主题分类数据集与分析

在社交媒体的动态领域，每日都有各种主题在不同语言之间交替讨论。然而，理解和对此类内容进行跨语言分类的复杂性仍是传统技术（如主题建模）难以适应的挑战。本文引入 X-Topic，一个包含四种不同语言（英语、西班牙语、日语和希腊语）内容的多语言数据集，专用于推文主题分类。我们的数据集涵盖广泛的主题，针对社交媒体内容设计，为从事跨语言分析、开发鲁棒多语言模型以及研究线上对话的科学家和专业人士提供了宝贵资源。最后，我们利用 X-Topic 进行全面的跨语言和多语言分析，比较当前通用和领域特定语言模型的能力。