MURAD：包含96,243组词项-定义对的多领域阿拉伯语开放词汇数据集

《Scientific Data》：A Large-Scale Multi-Domain Unified Reverse Arabic Dictionary Dataset

　　

摘要

阿拉伯语是一种语言和文化底蕴深厚的语言，其庞大的词汇量涵盖了科学、宗教和文学等领域。然而，将阿拉伯语单词与精确定义关联的大型词汇数据集仍然有限。我们提出了 MURAD（多领域统一逆向阿拉伯语词典），这是一个包含 96,243 个词项 - 定义对的开放词汇数据集。数据源自可靠的参考著作和教育资源。提取过程采用了一种混合处理流程，整合了直接文本解析、光学字符识别和自动重建技术。该流程旨在提高准确性并最大限度地减少提取噪声。其输出结果经过系统性质量检查和人工审核进行验证。每条记录将一个目标词与其标准化的阿拉伯语定义配对，并包含指定来源领域的元数据。该数据集涵盖了语言学、伊斯兰教研究、数学、物理学、心理学和工程学术语，既支持计算语言学，也支持词典学研究。潜在应用包括逆向词典建模、语义检索和教育工具。该资源的发布旨在推进阿拉伯语自然语言处理，并促进阿拉伯语词汇语义的可复现研究。