经过形态分析和语法注释的古兰经数据集

科学领域:

• 计算语言学 计算语言学
• 数字人文学科 数字人文学科
• 语料库语言学 语料库语言学

背景情况:

• 古典阿拉伯语,特别是"古兰经",对自然语言处理 (NLP) 具有显著的语言复杂性.
• 对于"古兰经"阿拉伯语而言,有着显著的综合性,注释性体的稀缺性,阻碍了NLP模型的开发.
• 现有的资源可能缺乏用于高级语言分析所需的详细形态和语法信息.

研究的目的:

• 介绍"形态分析和语法注释的古兰经" (MASAQ) 数据集,这是"古兰经"阿拉伯语的新资源.
• 为弥补注释的"古兰经"体的缺口,并支持创建复杂的NLP应用程序.
• 为研究阿拉伯语NLP提供高质量,语言丰富的数据集.

主要方法:

• 开发一个全面的数据集,注释整个古兰经文本,并提供详细的形态和语法信息.
• 利用Tanzil.net.net的经过严格验证的古兰经文本.
• 专家阿拉伯语言学家采用传统的I'rab方法来准确注释,结果超过131K个形态条目和123K个语法函数实例.
• 在多种格式 (TSV,SQLite3,CSV,JSON) 中对数据集进行了结构化,以提高可访问性.

主要成果:

• 该MASAQ数据集包括超过131,000个形态条目和123,000个语法函数实例.
• 具有72个语法角色的全面标签集,详细的形态分析和特定上下文的注释.
• 数据集以各种格式提供,方便各种研究应用.

结论:

• 马萨克显著提高了为NLP研究提供注释的古兰经阿拉伯语数据的可用性.
• 该数据集准备好推进阿拉伯语NLP任务,例如依赖性解析,机器翻译和语法检查.
• MASAQ为NLP开发和阿拉伯语言学研究提供了宝贵的资源,促进了更准确的语言处理工具.