CMHG: Um Conjunto de Dados e Benchmark para Geração de Manchetes em Línguas Minoritárias da China

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

September 12, 2025

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

cs.AI

Resumo

As línguas minoritárias na China, como tibetano, uigur e mongol tradicional, enfrentam desafios significativos devido aos seus sistemas de escrita únicos, que diferem dos padrões internacionais. Essa discrepância resultou em uma grave escassez de corpora relevantes, especialmente para tarefas supervisionadas como a geração de manchetes. Para abordar essa lacuna, introduzimos um novo conjunto de dados, o Chinese Minority Headline Generation (CMHG), que inclui 100.000 entradas para tibetano e 50.000 entradas cada para uigur e mongol, especificamente curadas para tarefas de geração de manchetes. Além disso, propomos um conjunto de testes de alta qualidade anotado por falantes nativos, projetado para servir como referência para pesquisas futuras nesse domínio. Esperamos que esse conjunto de dados se torne um recurso valioso para o avanço da geração de manchetes em línguas minoritárias chinesas e contribua para o desenvolvimento de benchmarks relacionados.

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.