Amharic Text Embedding Models
Collection
Text Embedding and ColBERT models based on Amharic RoBERTa and BERT for Amharic passage retrieval • 10 items • Updated • 6
query_id stringlengths 32 32 | passage_id stringlengths 32 32 | query stringlengths 7 297 | passage stringlengths 137 5.93k | category stringclasses 6
values | link stringlengths 28 740 | negative_passages listlengths 16 16 |
|---|---|---|---|---|---|---|
608823f9f4635381c68222501123b2ed | 465525198bd3bf4e5b137fe927e34ee1 | የኦሊምፒክ ማጣሪያ ተሳታፊዎች የሚለዩበት ቻምፒዮና እየተካሄደ ይገኛል | ብርሃን ፈይሳየኢትዮጵያ ቦክስ ፌዴሬሽን በየዓመቱ የሚያዘጋጀው የክለቦች ቻምፒዮና በአዲስ አበባ ከተማ በመካሄድ ላይ ይገኛል። የተሻለ ብቃት ያሳዩ ቦክሰኞች ለቶኪዮ ኦሊምፒክ ማጣሪያ ተሳታፊ እንደሚሆኑም ታውቋል።በቦክስ ስፖርት ከሚካሄዱት ዓመታዊ ቻምፒዮናዎች መካከል አንዱ በክለቦች መካከል የሚካሄደው ነው፤ የዚህ ውድድር የመጀመሪያው ዙር በአዲስ አበባ ከተማ ተጀምሯል። የኢትዮጵያ ቦክስ ፌዴሬሽን ከአዲስ አበባ ቦክስ ፌዴሬሽን ጋር በመተባበር በተዘጋጀው በዚህ ቻምፒዮና፤ ከኮቪድ 19 ወረርሽኝ መከሰት በኋላ ... | ስፖርት | https://www.press.et/Ama/?p=39481 | [
{
"cosine_sim_score": 0.4953465163707733,
"passage": "እአአ የ1964ቱ የቶኪዮ ኦሊምፒክ ኢትዮጵያ በታሪኳ ተሳታፊ የሆነችበት ሶስተኛው ኦሊምፒክ ነው። ታላቁ አትሌት አበበ ቢቂላ በኦሊምፒክ ማራቶን ለራሱ እና ለአገሩ ሁለተኛውን፣ በውድድሩ ደግሞ ብቸኛውን ሜዳሊያ ያገኘበትም ነበር። አሁን ደግሞ ጃፓን ከሃምሳ ስድስት ዓመታት በኋላ ኦሊምፒክን በምድሯ ለማስተናገድ ወራት ብቻ የቀሩበት ጊዜ ላይ እንገኛለን። በዚህ ታላቅ የስፖርት መድረክም የተሻለ ታሪክ ለማስመ... |
65a4d23f1b9eedcdc2e06f1f3c9c4718 | 8cbcc5f269b0b8b7a519f07006145508 | አዲስ ዘመን ድሮ | " የአዲስ ዘመን ጋዜጣ ቀደምት ዘገባዎች በእጅጉ ተነባቢ ዛሬም(...TRUNCATED) | መዝናኛ | https://www.press.et/Ama/?p=38334 | [{"cosine_sim_score":0.4341917634010315,"passage":"አንዱ በሌላው ላይ፣ ወገን በወ(...TRUNCATED) |
524ddf103c1b646d02bab34958c46ee4 | e3564bee4dc397f060bc0d8c4a9a3ed4 | የአረንጓዴ ጎርፍ በጎ አድራጎት አምባሳደሮች ተሰየሙ | "ቦጋለ አበበየአዲስ አበባ ከተማ አስተዳደር ስፖርት ኮሚሽን (...TRUNCATED) | ስፖርት | https://www.press.et/Ama/?p=39010 | [{"cosine_sim_score":0.38338780403137207,"passage":"የተለያዩ ግለሰቦች እና ተቋማ(...TRUNCATED) |
841356db06403e817a5278c53afc2643 | 01c3a5732d6f5bdd77714d572c7bdf9f | የሊጉ በቢዝነስ ሞዴል መመራት አበረታች ጅምር መሆኑ ተገለጸ | "ብርሃን ፈይሳአዲስ አበባ፡- የኢትዮጵያ ፕሪምየር ሊግ በሼር (...TRUNCATED) | ስፖርት | https://www.press.et/Ama/?p=39011 | [{"cosine_sim_score":0.4679700434207916,"passage":"እስካሁን የነበረው የቢዝነስ (...TRUNCATED) |
9f0d6f3852caca37e94c2b2a90b869e7 | 8f8010b037e30c19d8f3afa6d45e4f21 | "የኦሊምፒክ ሥራ አስፈፃሚው እስከ ቶኪዮ ኦሊምፒክ ማግስት ይ(...TRUNCATED) | "ቦጋለ አበበ የኢትዮጵያ ኦሊምፒክ ኮሚቴ አርባ አምስተኛ መደ(...TRUNCATED) | ስፖርት | https://www.press.et/Ama/?p=39012 | [{"cosine_sim_score":0.530302882194519,"passage":"የቶኪዮ 2020 ኦሊምፒክ ለአስራ ስ(...TRUNCATED) |
011166bfa21097cce9355a345d96d1ab | 3b9c93b94fd66f9cc1b902020a88e47d | "‹‹ሃገራዊ ችግሮችን ለማረምና አብሮነትን ለማጠናከር ስፖር(...TRUNCATED) | " ብርሃን ፈይሳ አዲስ አበባ፡- እንደ ሃገር እየታዩ ያሉትን ስ(...TRUNCATED) | ስፖርት | https://www.press.et/Ama/?p=38512 | [{"cosine_sim_score":0.49320971965789795,"passage":"የሀገር ሰላምና አንድነትን ለ(...TRUNCATED) |
969a1adb3c275dfcb72c9a19b262ffbc | bd78535bcffacfe1ae1b0f84cba42cf0 | "በውድድር ወቅት በወረርሽኙ መከላከያ መመሪያዎች አተገባበር (...TRUNCATED) | "ብርሃን ፈይሳ አዲስ አበባ፡- ስፖርታዊ እንቅስቃሴና ውድድሮ(...TRUNCATED) | ስፖርት | https://www.press.et/Ama/?p=38515 | [{"cosine_sim_score":0.4665522575378418,"passage":"የአምስተኛ ሳምንት ዐበይት ጉ(...TRUNCATED) |
fd7e7687d7041a2b2aaf7fbf9e3ab5f6 | fa5997abb25501d92753abc953d0c38c | የዓለም አትሌቲክስና 2020 የውድድር ዓመት | "ቦጋለ አበበ በኮቪድ-19 ወረርሽኝ ምክንያት የዓለም ማህበራዊ(...TRUNCATED) | ስፖርት | https://www.press.et/Ama/?p=38650 | [{"cosine_sim_score":0.5600665807723999,"passage":" በቻይና ናጂንግ ሊካሄድ ታስ(...TRUNCATED) |
3937ddb483244f33d24e7d8e99f63c58 | d7ff0b5545f060e154c21078eb959f90 | ለራስ ሲባል ሌላውን … | " ኧሯ! እንዴት ሆኖ እንዴት ሆኖ እኛንማ አይደፍርም! ብለን ነበ(...TRUNCATED) | መዝናኛ | https://www.press.et/Ama/?p=31198 | [{"cosine_sim_score":0.549504280090332,"passage":"ብዙ ጊዜ አዕምሮአችን የለመደ(...TRUNCATED) |
faf8930d1795c69c309e5553a518ca52 | 949e7538c3640ef47ac37addfddefb84 | የ2023 አፍሪካ ዋንጫ ዝግጅት ቀጥሏል | " ቦጋለ አበበ ምዕራብ አፍሪካዊቷ አገር ኮትዲቯር የ2023 አፍሪ(...TRUNCATED) | ስፖርት | https://www.press.et/Ama/?p=37905 | [{"cosine_sim_score":0.47907596826553345,"passage":"በሩሲያ አስተናጋጅነት በቀጠ(...TRUNCATED) |
This dataset is a version of amharic-news-category-classification that has been filtered, deduplicated, and formatted for passage retrieval.
This dataset can be used directly with Sentence Transformers to train Amharic Text embedding and Reranking models.
The negative_passages column contains hard negative passages that were mined using the roberta-amharic-text-embedding-medium embedding model.
The following Text Embedding and ColBERT late-interaction retrieval models were trained using this dataset as part of our ACL 2025 Findings paper: Optimized Text Embedding Models and Benchmarks for Amharic Passage Retrieval.
@inproceedings{mekonnen2025amharic,
title={Optimized Text Embedding Models and Benchmarks for Amharic Passage Retrieval},
author={Kidist Amde Mekonnen, Yosef Worku Alemneh, Maarten de Rijke },
booktitle={Findings of ACL},
year={2025}
}
@misc{https://doi.org/10.48550/arxiv.2103.05639,
doi = {10.48550/ARXIV.2103.05639},
url = {https://arxiv.org/abs/2103.05639},
author = {Azime, Israel Abebe and Mohammed, Nebil},
keywords = {Computation and Language (cs.CL), Artificial Intelligence (cs.AI), FOS: Computer and information sciences, FOS: Computer and information sciences},
title = {An Amharic News Text classification Dataset},
publisher = {arXiv},
year = {2021},
copyright = {arXiv.org perpetual, non-exclusive license}
}