SIMPITIKI_GITHUB_意大利语文本简化语料库数据

数据集概述

本数据集为意大利语文本简化语料库SIMPITIKI，包含两组简化文本对：第一组通过半自动方式从意大利语维基百科获取，第二组从行政领域文档中逐句手动标注。数据集仅含一个XML格式文件，无训练测试、数据标签或原始处理数据的划分。

文件详解

• 文件名称：simpitiki-v2.xml
• 文件格式：XML
• 字段映射介绍：作为意大利语文本简化语料库的核心文件，包含两类简化文本对数据：一类是来自意大利语维基百科的半自动采集文本对，另一类是来自行政领域文档的人工标注逐句文本对。具体字段结构需参考XML文件内部的标签定义。

数据来源

GitHub仓库dhfbk/simpitiki

适用场景

• 意大利语文本简化模型训练: 用于训练和优化针对意大利语的自动文本简化算法，提升文本可读性。
• 自然语言处理研究: 支持意大利语简化文本的语言学特征分析，探索简化规则和策略。
• 行政文档简化应用: 基于行政领域的手动标注数据，开发面向公共行政文本的简化工具。
• 语料库构建方法对比: 对比半自动采集（维基百科）与手动标注（行政文档）两种语料库构建方式的差异和效果。