摩洛哥阿拉伯语新闻文章数据集MNAD-jmourad100
数据来源：互联网公开数据
标签：阿拉伯语,新闻文章,文本分类,自然语言处理,数据挖掘,信息检索,摩洛哥,文本分析
数据概述：
MNAD（Moroccan News Articles Dataset）是一个包含超过一百万篇摩洛哥阿拉伯语新闻文章的数据集。这些文章来自11个主要的电子新闻来源，旨在为学术研究提供支持，例如数据挖掘（聚类、分类等）、信息检索（排序、搜索等）以及其他非商业活动。
数据集字段：
标题（Title）：文章标题
正文（Body）：文章正文
类别（Category）：文章所属类别
来源（Source）：文章的电子新闻来源
关于数据集第一版（MNAD.v1）：
MNAD.v1 包含 418,563 篇文章，分为 19 个类别。数据收集自 Akhbarona.ma、Hespress.ma、Hibapress.com 和 Le360.com 等知名电子新闻网站。文章存储在四个独立的 CSV 文件中，每个文件对应一个新闻网站来源。每个 CSV 文件包含三个字段：标题、正文和新闻文章类别。该数据集拥有丰富的阿拉伯语词汇，大约包含 906,125 个独特的单词。
关于数据集第二版（MNAD.v2）：
MNAD.v2 包含了 653,901 篇文章，使总文章数量超过一百万（1,069,489），文章被划分为与第一版相同的 19 个类别。新文档收集自另外七个主要的摩洛哥新闻网站，包括 al3omk.com、medi1news.com、alayam24.com、anfaspress.com、alyaoum24.com、barlamane.com 和 SnrtNews.com。新收集的文章已与之前版本中的文章合并到一个名为 MNADv2.csv 的 CSV 文件中。该文件包含一个名为“来源”的附加列，用于指示每篇新闻文章的来源。此外，MNAD.v2 采用了改进的预处理技术和数据清洗方法。这些增强措施包括删除重复项、消除多个空格、丢弃具有 NaN 值的行、将新行替换为“\n”、排除过长和过短的文章以及删除非阿拉伯语文章。
数据用途概述：
该数据集主要用于阿拉伯语文本分类、自然语言处理、信息检索等研究。研究人员可以利用该数据集进行文本分类模型的训练和评估，进行情感分析、主题建模、信息提取等任务。同时，该数据集也适用于探索摩洛哥新闻媒体的报道内容和特点，以及研究阿拉伯语文本的语言特征。
