AraDigitalContent77

نظرة عامة (Overview)

AraDigitalContent77 هي مجموعة بيانات عربية لتصنيف نوايا المستخدمين (Intent Classification) موجهة لمنصات المحتوى الرقمي (البث، البودكاست، الموسيقى، الأخبار، الكتب الصوتية). تحتوي على 13,090 جملة (utterance) موزعة بالتساوي التام على 77 نية، بمعدل 170 مثالًا لكل نية.

تم بناء المجموعة من خلال تكييف (adaptation) بنية مجموعة بيانات Banking77 المعروفة في مجال الخدمات المصرفية، ونقل النوايا منها إلى نطاق منصات المحتوى الرقمي عبر ثلاث طرق:

نوع النقل	عدد النوايا
نقل مباشر (Direct Transfer) من Banking77	7
نقل تناظري (Analogical Transfer) من Banking77	34
نوايا جديدة خاصة بمجال المحتوى الرقمي (New Intents)	36
الإجمالي	77

بنية البيانات (Dataset Structure)

العمود	الوصف
text	الجملة/الاستعلام باللغة العربية
label	اسم النية (Intent)

البيانات مقسّمة إلى ثلاثة أقسام (70% / 15% / 15%):

القسم	عدد الأمثلة	النسبة
train	9,163	70.0%
validation	1,963	15.0%
test	1,964	15.0%

from datasets import load_dataset

dataset = load_dataset("mohamadhallak98/AraDigitalContent77")
print(dataset["train"][0])
# {'text': 'كيف أدفع الاشتراك عبر Apple Pay؟', 'label': 'apple_pay_or_google_pay'}

print(dataset)
# DatasetDict({
#     train: Dataset({features: ['text', 'label'], num_rows: 9163})
#     validation: Dataset({features: ['text', 'label'], num_rows: 1963})
#     test: Dataset({features: ['text', 'label'], num_rows: 1964})
# })

بنية ملفات الـ repo

AraDigitalContent77/
├── README.md
├── split_dataset.py        # سكربت التقسيم Stratified (train/validation/test)
└── data/
    ├── train.csv
    ├── validation.csv
    └── test.csv

الإحصائيات (Statistics)

• عدد الأمثلة الكلي: 13,090
• عدد النوايا (Classes): 77
• توازن الفئات: مثالي — 170 مثال/نية لكل الفئات (0% انحراف)
• التكرارات: 0% (لا توجد جمل مكررة حرفيًا)
• متوسط طول الجملة: ~9.3 كلمة (المدى: 4–15 كلمة)
• القيم المفقودة: لا يوجد

قائمة النوايا (77 Intent)

اضغط للعرض

account_activation_time_estimate, account_compromised_or_hacked, account_linking,
account_locked, account_processing_time_inquiry, activate_my_account,
ad_experience_issue, age_restriction_on_content, app_not_loading,
app_update_causing_issues, apple_pay_or_google_pay, audio_language_not_available,
audio_video_not_synced, auto_renewal_subscription, autoplay_settings_not_working,
cancel_subscription, cast_or_screen_share_not_working, change_password,
change_privacy_settings, channel_access_denied, comment_not_showing,
concurrent_streams_limit_reached, content_download_issue, content_not_available_in_region,
content_playback_issue, content_progress_not_syncing, content_removed_from_platform,
content_sharing_issue, country_support, device_compatibility_issue,
dispute_subscription_charge, download_limit_reached, edit_personal_details,
excessive_data_usage, failed_platform_action, family_sharing_issue,
feature_not_working, freeze_account, gift_subscription_issue,
live_chat_not_working, live_event_access_issue, livestream_technical_issue,
notification_not_received, offline_content_not_playing, parental_control_issue,
password_forgotten, pending_account_verification, pending_subscription_renewal,
platform_purchase_declined, platform_search_not_working, platform_subscription_fee,
playlist_not_working, profile_not_loading, receiving_gift_subscription,
recommendation_not_relevant, repeated_login_required, report_inappropriate_content,
request_subscription_refund, subscription_about_to_expire, subscription_charge_reversed,
subscription_fee_charged, subscription_payment_failed, subscription_refund_not_showing,
subtitle_or_caption_issue, terminate_account, two_factor_authentication_issue,
unable_to_verify_identity, unexpected_charge_on_invoice, unrecognised_platform_charge,
verify_my_age_or_region, verify_payment_method, video_buffering_issue,
video_quality_auto_lowering, watch_history_missing, watch_history_not_updated,
why_verify_identity, wrong_subscription_charge_amount

منهجية البناء (Construction Methodology)

1. كتابة يدوية للبذور (Seed Utterances): تمت صياغة 2,310 جملة عالية الجودة يدويًا لتغطية الـ77 نية.
2. تقييم نماذج التوسعة: تم تقييم عدة نماذج لغوية كبيرة لتوليد جمل إضافية (Paraphrasing/Augmentation)، بالاعتماد على مقياس Type-Token Ratio (TTR) وطبيعية الصياغة، وتم اختيار DeepSeek كأفضل أداء.
3. خط أنابيب تحسين الجودة: سلسلة خطوات لتحسين الجودة أفضت إلى توازن مثالي بين الفئات (170 مثال/نية) وإزالة كاملة للتكرارات (0% duplicates).
4. تقسيم البيانات (Data Splitting): تم تقسيم البيانات إلى train / validation / test بنسبة 70% / 15% / 15% باستخدام تقسيم Stratified للحفاظ على التوازن بين النوايا في كل قسم (119 مثال/نية في train، و25–26 مثال/نية في كل من validation وtest). تم استخدام random_state=42 لضمان قابلية إعادة الإنتاج. السكربت المستخدم للتقسيم (split_dataset.py) مرفق في هذا الـ repo.

نتائج خط الأساس (Baseline Results)

تم تدريب نموذج AraBERT على هذه البيانات كخط أساس (baseline)، وحقق:

النموذج	Accuracy	F1-score
AraBERT (Checkpoint: Epoch 8)	~97.4%	~97.4%

كما تمت مقارنته بنموذج AraGPT2 مع ضبط دقيق بطريقة LoRA.

الترخيص (License)

تم ترخيص هذه المجموعة بموجب CC BY 4.0 (Creative Commons Attribution 4.0 International)، وذلك توافقًا مع ترخيص مجموعة بيانات Banking77 الأصلية التي اشتُقت منها بعض النوايا (نقل مباشر/تناظري). يجوز استخدام البيانات لأي غرض (بما في ذلك تجاريًا) شرط نسب العمل لمصدره.

الاستشهاد (Citation)

إذا استخدمت هذه المجموعة في عملك البحثي، يرجى الاستشهاد بها كما يلي:

@misc{aradigitalcontent77,
  title        = {AraDigitalContent77: An Arabic Intent Classification Dataset for Digital Content Platforms},
  author       = {Mohamad Hallak Fattal},
  year         = {2026},
  note         = {University of Aleppo, Faculty of Electrical and Electronic Engineering. Supervised by Dr. Sousan Isjee. Submitted to University of Aleppo Journal, Issue 196, 2026.}
}

الإقرار بالمصدر (Acknowledgment)

تستند هذه المجموعة في بنيتها وجزء من تصنيف نواياها إلى مجموعة بيانات Banking77:

@inproceedings{casanueva2020banking77,
  title     = {Efficient Intent Detection with Dual Sentence Encoders},
  author    = {Casanueva, I{\~n}igo and Tem{\v{c}}inas, Tadas and Gerz, Daniela and Henderson, Matthew and Vuli{\'c}, Ivan},
  booktitle = {Proceedings of the 2nd Workshop on Natural Language Processing for Conversational AI},
  year      = {2020}
}

معلومات إضافية

• اللغة: العربية (فصحى مع بعض المصطلحات التقنية بالإنجليزية كأسماء خدمات/تطبيقات)
• النطاق التطبيقي: منصات المحتوى الرقمي (البث، البودكاست، الموسيقى، الأخبار، الكتب الصوتية)
• الجهة المنتجة: جامعة حلب — كلية الهندسة الكهربائية والإلكترونية
• سياق البحث: جزء من رسالة ماجستير حول التصنيف العميق للنوايا في المحتوى الرقمي العربي