CMHG: Een dataset en benchmark voor het genereren van koppen in minderheidstalen in China

CMHG: A Dataset and Benchmark for Headline Generation of Minority Languages in China

September 12, 2025

Auteurs: Guixian Xu, Zeli Su, Ziyin Zhang, Jianing Liu, XU Han, Ting Zhang, Yushuang Dong

cs.AI

Samenvatting

Minderheidstalen in China, zoals Tibetaans, Oeigoers en traditioneel Mongools, worden geconfronteerd met aanzienlijke uitdagingen vanwege hun unieke schriftsystemen, die afwijken van internationale standaarden. Deze discrepantie heeft geleid tot een ernstig gebrek aan relevante corpora, met name voor begeleide taken zoals kopregelgeneratie. Om dit hiaat te verhelpen, introduceren we een nieuwe dataset, Chinese Minority Headline Generation (CMHG), die 100.000 ingangen voor Tibetaans bevat, en 50.000 ingangen elk voor Oeigoers en Mongools, speciaal samengesteld voor kopregelgeneratietaken. Daarnaast stellen we een hoogwaardige testset voor, geannoteerd door moedertaalsprekers, die bedoeld is als benchmark voor toekomstig onderzoek op dit gebied. We hopen dat deze dataset een waardevolle bron zal worden voor het bevorderen van kopregelgeneratie in Chinese minderheidstalen en zal bijdragen aan de ontwikkeling van gerelateerde benchmarks.

English

Minority languages in China, such as Tibetan, Uyghur, and Traditional Mongolian, face significant challenges due to their unique writing systems, which differ from international standards. This discrepancy has led to a severe lack of relevant corpora, particularly for supervised tasks like headline generation. To address this gap, we introduce a novel dataset, Chinese Minority Headline Generation (CMHG), which includes 100,000 entries for Tibetan, and 50,000 entries each for Uyghur and Mongolian, specifically curated for headline generation tasks. Additionally, we propose a high-quality test set annotated by native speakers, designed to serve as a benchmark for future research in this domain. We hope this dataset will become a valuable resource for advancing headline generation in Chinese minority languages and contribute to the development of related benchmarks.