PNGT-26K
收藏资源简介：
PNGT-26K是一个包含约26,000个波斯名字、它们通常相关的性别以及它们的英文音译的全面数据集。该数据集旨在解决波斯名字在自然语言处理应用中，尤其是在性别检测和数字身份创建方面的独特挑战。波斯语由于其音译不一致和文化特定的命名模式，对自然语言处理应用提出了独特的挑战。现有的工具在处理波斯名字时性能显著下降，而全面数据集的稀缺性进一步加剧了这些限制。PNGT-26K数据集通过系统地收集波斯名字的音译变体，旨在解决音译瓶颈问题。数据集可用于开发更公平的自然语言处理工具，并支持性别检测和用户名生成等应用。
PNGT-26K is a comprehensive dataset containing approximately 26,000 Persian given names, their typically associated genders, and their English transliterations. This dataset aims to address the unique challenges posed by Persian names in natural language processing (NLP) applications, particularly in gender detection and digital identity creation. The Persian language poses unique challenges to NLP applications due to inconsistent transliteration practices and culture-specific naming conventions. Existing tools experience significant performance degradation when processing Persian names, and the scarcity of comprehensive datasets further exacerbates these limitations. The PNGT-26K dataset aims to resolve the transliteration bottleneck by systematically collecting transliteration variants of Persian names. This dataset can be used to develop more equitable NLP tools and support applications such as gender detection and username generation.
Persian Gender Detection by Name 数据集概述
基本信息
- 许可证: Apache-2.0
- 语言: 波斯语 (fa)、英语 (en)
- 名称: Persian Gender Detection by Name
- 规模: 10K<n<100K（约27,000条条目）
数据集描述
该数据集是同类中最大的波斯语姓名性别检测数据集，包含约27,000条条目。每条条目包括波斯语姓名、对应性别及英语音译，旨在促进准确的性别检测并通过多种姓名表示增强可搜索性。
主要特征
- 广泛数据: 约27,000个姓名-性别-英语元组
- 多重表示: 每个姓名有多种拼写和格式以提高搜索灵活性
- 高质量: 从可靠来源汇总并经过精心手工清理以确保准确性
- 可扩展: 计划未来纳入更多姓名和数据源
数据来源
- Iranian Names Database By Gender (https://github.com/nikahd99/iranian-Names-Database-By-Gender)
- Persian Names Gender Dataset on Kaggle (https://www.kaggle.com/datasets/misssahar75/persian-names-gender)
- Persian Names with Gender and Transliteration Data (https://www.kaggle.com/datasets/titanz123/persian-names)
- 额外补充数据通过抓取和手动清理以确保一致性和完整性
数据结构
数据集采用CSV格式，包含以下列：
- Name: 波斯语姓名
- Gender: 指定性别（例如：M、F）
- English Representation: 波斯语姓名的音译版本
示例:
| Name | Gender | English Representation |
|---|---|---|
| علی | M | Ali |
| زهرا | F | Zahra |
用途
- 基于波斯语姓名开发性别预测模型
- 语言学、性别研究和自然语言处理领域的学术研究
- 通过多语言姓名表示增强搜索算法
未来增强计划
- 扩展数据集，增加更多姓名和性别关联
- 纳入更多多样化来源以覆盖更广泛的姓名范围
- 通过持续清理和验证流程完善数据质量
引用
@dataset{bijary_persian_gender_by_name_2024, author = {Farbod Bijary}, title = {Persian Gender Detection by Name}, year = {2024}, publisher = {Hugging Face}, license = {Apache-2.0}, url = {https://huggingface.co/datasets/farbodbij/persian-gender-by-name}, }
致谢
感谢原始数据集的贡献者以及协助数据汇总和清理的人员。
- 1Agentic Username Suggestion and Multimodal Gender Detection in Online Platforms: Introducing the PNGT-26K Dataset阿米尔卡比尔理工大学计算机工程系 · 2025年
