阿拉伯语动词变位表参考数据集
数据集简介
ar-conjugation — Arabic verb conjugation tables
本数据集名为 ar-conjugation,旨在为阿拉伯语自然语言处理(NLP)和计算语言学提供一套高精度、经人工与自动双重校验的动词变位参考标准。其核心内容基于 Antoine El-Dahdah 编纂的权威著作《معجم تصريف الأفعال العربية》(阿拉伯语动词变位词典),由 Librairie du Liban 于2007年出版的第6版转录而来。该项目由 Wael Tellat 维护,代码与数据托管于 GitHub,并同步至 Hugging Face 平台,遵循 CC BY 4.0 开放许可协议。
What is in it(数据内容构成)
数据集的核心价值在于其全面性与准确性。它涵盖了 495 个完整的阿拉伯语动词变位范式,这些范式源自 388 个不同的词根。在细节层面,数据集共包含 16,593 个屈折形式,每一个形式都标注了完整的全元音符号(Tashkeel),这对于阿拉伯语的语音合成、文本转语音(TTS)及深度学习模型训练至关重要。
除了基础的动词变位,数据集中还包含了丰富的派生名词信息,具体包括:
- 676 个 مصدر(Masdar,动名词/来源名词)
- 426 个 اسم الفاعل(Ism al-Fa'il,主动名词)
- 318 个 اسم المفعول(Ism al-Maf'ul,被动名词)
为确保数据的绝对准确,项目团队采用了交叉验证机制。每一个变位形式都与阿拉伯语维基词典(Arabic Wiktionary)中的独立变位模块(Module:ar-verb)进行了逐格核对。核对结果显示,两者在 15,549 个单元格上完全一致。对于极少数存在差异或需要修正的记录,已专门整理在 errata.json 文件中供开发者查阅。
Download(下载方式与文件结构)
用户可通过官方 GitHub 仓库(https://github.com/forzagreen/ar-conjugation)或 Hugging Face 平台免费获取数据。数据集提供了多种格式以适应不同的工程需求,主要文件结构如下:
| 文件路径 | 格式 | 描述 |
|---|---|---|
data/json/verbs.json |
JSON | 每个动词范式一条嵌套记录 |
data/jsonl/verbs.jsonl |
JSONL | 动词范式的流式记录 |
data/csv/conjugations.csv |
CSV | 每个屈折形式占一行 |
data/jsonl/conjugations.jsonl |
JSONL | 屈折形式的流式记录 |
data/csv/verbs.csv |
CSV | 每个动词范式占一行 |
data/json/errata.json |
JSON | 勘误记录与修正说明 |
Record shape(记录结构与字段)
数据集中的每条记录都包含丰富的元数据字段,确保机器可读性与语义完整性。主要字段包括:
- id: 唯一标识符
- lemma: 词目(原形动词)
- root: 词根(通常为三字母或四字母辅音骨架)
- wazn: 词重/词型模式
- form: 变位形式编号
- vowels: 元音标记
- flags: 语法标志位
- classification: 分类信息
- source: 数据来源引用
- conjugation: 具体的变位字符串
- derived: 派生词关联信息
Conventions(命名与规范)
数据集严格遵循阿拉伯语语言学的传统规范,所有文本均采用 Unicode 编码,确保字符在不同系统间的正确显示。变位形式保留了传统的阿拉伯语书写习惯,包括元音符号的完整标注,避免了因省略元音导致的歧义。这种高保真的转录方式使得该数据集成为训练高质量阿拉伯语大语言模型(LLM)的理想语料。
What is not in it(非包含内容)
需要特别说明的是,本数据集专注于“标准阿拉伯语”(Modern Standard Arabic)的动词变位规则。它不包含方言阿拉伯语(如埃及方言、黎凡特方言等)的变位数据,也不包含非动词类的其他词性变化规则。此外,虽然包含派生名词,但其主要逻辑仍围绕动词词根展开,未涵盖独立的形容词或副词变格体系。
Source(数据来源)
本项目的原始数据源具有极高的学术权威性:
- 原著作者: Antoine El-Dahdah (أنطوان الدحداح)
- 原著书名: معجم تصريف الأفعال العربية (阿拉伯语动词变位词典)
- 出版社: Librairie du Liban (مكتبة لبنان)
- 版本: 第6版,2007年
- 校验辅助: Arabic Wiktionary (Module:ar-verb)
Citation(引用方式)
若您在研究或项目中使用了此数据集,请引用以下信息:
© 2026 Wael Tellat. The dataset, the scripts and the site are released under CC BY 4.0. Title: ar-conjugation — Arabic verb conjugation tables.
Licence(许可协议)
整个数据集、相关脚本及配套网站均发布在 CC BY 4.0 许可下。这意味着用户可以自由地分享(复制和重新分发)以及适应(修改、转换和基于素材创作),但必须给出适当的署名(Attribution),提供许可链接,并标明是否对原始内容进行了修改。这是完全公开免费的资源,允许商业与非商业用途。