Arabic Gigaword Third Edition数据集介绍，官网编号LDC2007T40
Arabic Gigaword Third Edition（LDC2007T40）是 LDC 于 2007 年发布的大规模现代标准阿拉伯语（MSA）新闻语料库，核心为多来源阿拉伯语新闻文本，适配语言模型训练、统计机器翻译、文本摘要等任务，是阿拉伯语 NLP 领域的基础大规模单语语料资源。以下是详细介绍：
基本信息
| 项目 | 详情 |
|---|---|
| 发布机构 | Linguistic Data Consortium（LDC） |
| 发布时间 | 2007 年 12 月 |
| 语种 | 现代标准阿拉伯语（MSA） |
| 编号 | LDC2007T40 |
| 语料类型 | 阿拉伯语新闻文本（新闻专线、报纸报道） |
| 数据规模 | 约 10.77 亿词，超 330 万篇文档，时间跨度 1994-2005 年 |
| 核心标注 | 文档级元数据（来源、日期、文档 ID 等）、UTF - 8 编码统一 |
| 数据格式 | XML 结构化文件、纯文本文件、元数据索引 |
| 适配任务 | 语言模型训练、统计机器翻译、文本分类、信息检索、文本摘要等 |