مجموعة بيانات عناوين الأخبار الكردية (KNDH) من خلال التصنيف متعدد الفئات (Multiclass Classification) | روابط المؤلفين تفتح نافذة منبثقة

أدى النمو المتسارع للتكنولوجيا إلى زيادة هائلة في حجم البيانات النصية. ويمكن تنقيب هذه البيانات (Data Mining) والاستفادة منها في العديد من مهام معالجة اللغة الطبيعية (NLP)، ولا سيما تصنيف النصوص (Text Classification). ويكمن الجزء الأساسي في تصنيف النصوص في جمع البيانات اللازمة للتنبؤ بنموذج دقيق وفعال. تقوم هذه الورقة البحثية بجمع مجموعة بيانات عناوين الأخبار الكردية (KNDH) لغرض تصنيف النصوص. تتكون مجموعة البيانات من 50,000 عنوان إخباري موزعة بالتساوي على خمس فئات، بمعدل 10,000 عنوان لكل فئة (اجتماعي، رياضة، صحة، اقتصاد، وتكنولوجيا). وتختلف النسبة المئوية للحصول على قنوات العناوين، في حين أن عدد العينات متساوٍ لكل فئة. هناك 34 قناة مختلفة تم استخدامها لجمع العناوين المتنوعة لكل فئة، مثل: 8 قنوات للاقتصاد، 14 قناة للصحة، 18 قناة للعلوم، 15 قناة للمجال الاجتماعي، و 5 قنوات للرياضة. تمت معالجة مجموعة البيانات مسبقاً باستخدام حزمة أدوات معالجة اللغة الكردية (KLPT) لإجراء عمليات تحليل وتقسيم النصوص (Tokenizing)، التدقيق الإملائي (Spell-checking)، التجذير والاشتقاق (Stemming)، والمعالجة الأولية.