2021 东京奥运会多语言新闻文章数据集
信息检索
2025-02-17 v2 人工智能
计算与语言
摘要
本文介绍了覆盖2021年东京奥运会的多语言新闻文章数据集。共收集了10,940篇来自1,918个不同出版社的新闻文章，涵盖2021年奥运会的1,350个子赛事，发布时间为2021年7月1日至8月14日。这些文章以不同语言族、不同书写系统的九种语言撰写。为创建此数据集，首先通过一个收集和分析新闻文章的服务检索原始新闻文章，然后使用在线聚类算法对文章进行分组，每组包含报道同一子赛事的文章。最后对这些分组进行手动标注和评估。本数据集的开发旨在为评估多语言新闻聚类算法性能提供资源，由于可用的评估数据集有限。它还可用于从不同视角分析2021年东京奥运会的动态和事件。该数据集以CSV格式提供，可从CLARIN.SI存储库获取。
引用
@article{arxiv.2502.06648,
title = {The 2021 Tokyo Olympics Multilingual News Article Dataset},
author = {Erik Novak and Erik Calcina and Dunja Mladenić and Marko Grobelnik},
journal= {arXiv preprint arXiv:2502.06648},
year = {2025}
}