数据集概述
该数据集是大规模阿拉伯语新闻文章集合，适用于文本分类、词嵌入等阿拉伯语自然语言处理任务。包含来自三个新闻网站的文章，分为七个类别，总数量超十九万篇，并提供一个平衡的子集用于训练和测试。
文件详解
- 文件名称: Akhbarona.zip：压缩文件，包含来自Akhbarona网站的新闻文章，按类别分文件夹存储，含七个类别（文化、金融、医疗、政治、宗教、体育、科技）。
- 文件名称: Arabiya.zip：压缩文件，包含来自AlArabiya网站的新闻文章，按类别分文件夹存储，含六个类别（无宗教类别）。
- 文件名称: Khaleej.zip：压缩文件，包含来自AlKhaleej网站的新闻文章，按类别分文件夹存储，含七个类别。
- 文件名称: SANAD_SUBSET.zip：压缩文件，为平衡基准子集，含训练（百分之九十）和测试（百分之十）集，按三个网站分文件夹，每个网站下有训练和测试子文件夹，内部为平衡类别子文件夹。
适用场景
- 阿拉伯语自然语言处理研究：用于文本分类、词嵌入等任务的模型训练与测试。
- 新闻文本分类模型开发：针对不同类别阿拉伯新闻文章构建分类模型。
- 基准数据集对比：使用SANAD_SUBSET进行模型性能的标准化评估。
- 多网站新闻数据差异分析：比较不同新闻网站文章在分类任务中的表现差异。
