摘要

本文提出并评估了一种新算法，用于自动对来自不同新闻机构的乌尔都语新闻进行聚类。该任务具有挑战性，因为目前尚无针对乌尔都语的自然语言处理工具库。作者的实验数据集包含来自巴基斯坦知名媒体机构的新闻，涵盖《贾恩报》（Jang）、英国广播公司乌尔都语频道（BBC Urdu）、《每日电讯报》乌尔都语版（Express）、UrduPoint以及美国之音乌尔都语频道（Voice of America Urdu, VOA）。所提出的算法仅基于新闻标题进行聚类。作者认为，新闻标题能够简洁地概括新闻内容，因此选择使用标题而非整篇新闻文本进行聚类。实验评估结果表明，该方法在利用标题识别相似新闻时，精确率（precision）的微观平均值（micro-average）为0.45，宏观平均值（macro-average）为0.48。