Un jeu de données pour la classification de textes d'actualité amharique

En traitement du langage naturel (NLP), la classification de texte constitue l’un des problèmes fondamentaux que nous cherchons à résoudre, et ses applications dans l’analyse linguistique sont indiscutables. Le manque de données d’entraînement étiquetées a rendu ces tâches particulièrement difficiles dans les langues à faibles ressources, telles que l’amharique. La collecte, l’étiquetage, l’annotation et la valorisation de ce type de données encourageront les jeunes chercheurs, les établissements scolaires et les praticiens du machine learning à appliquer des modèles de classification existants à leur propre langue. Dans ce court article, nous présentons le jeu de données de classification de texte en amharique, composé de plus de 50 000 articles de presse catégorisés en six classes. Ce jeu de données est mis à disposition accompagné de performances de base accessibles, afin de stimuler la recherche et des expérimentations visant à améliorer les résultats.