Nov, 2017

中文文学文本的语篇级别命名实体识别和关系抽取数据集

PDF
TL;DR本文构建了一个基于语篇水平的汉语文学语料库，提出两种标记方法来解决数据不一致性的问题，并介绍了几种常用模型进行实验，研究结果不仅展示了该数据集的可用性，而且为进一步的研究提供了基线。
named entity recognitionrelation extractionchinese literaturedataset creationnlp
发现论文，激发创造
  • CLUENER2020: 面向中文的细粒度命名实体识别数据集及基准

    介绍了 CLUE 组织发布的 NER 数据集 CLUENER2020 ，它是一个细粒度的、为中文命名实体识别而设计的数据集，包含 10 类别，并且更具挑战性。针对该数据集，实现了几种当前最先进的序列标记任务方法，报告了人类表现及其分析，并发布了该数据集、基线和排行榜。

    Jan, 2020

  • CEntRE: 用于企业之间关系抽取的中文段落级数据集

    该研究旨在从非结构化或半结构化文本数据中检测企业实体对并识别它们之间的业务关系，并介绍了一个名为 CEntRE 的新数据集，它由公开的商业新闻数据构建而成，并通过人工标注和智能数据处理进行了精心处理。基于 CEntRE 数据集的六种模型的广泛实验表明了我们提出的数据集的挑战。

    Oct, 2022

  • 中文机器阅读理解的跨度抽取数据集

    本文介绍了一个针对中文机器阅读理解的 Span-Extraction 数据集及其挑战集，共包含近 20,000 个人类专家在维基百科段落中标注的真实问题，并发布了 CMRC 2018 的评估工作坊，旨在进一步推进中文机器阅读理解研究。

    Oct, 2018

  • 中文小说多种类型命名实体识别语料库

    基于最大规模的多文类文学命名实体识别语料库，研究文学作品中不同类型实体的特征，并提出了几种基线命名实体识别模型，并进行了跨文类和跨域实验，结果表明文类差异显著影响 NER 性能，尽管不如文体领域与新闻领域之间的领域差异大，文学 NER 仍需要改进且由于文学作品中实体的高多样性，Out-of-Vocabulary（OOV）问题更具挑战性。

    Nov, 2023

  • 为塔加洛语开发命名实体识别数据集

    我们为塔加洛语开发了一个命名实体识别（NER）数据集，填补了菲律宾语言中 NER 资源匮乏的空白。文本来源于包含新闻报道的预训练语料库，并由母语人士迭代标注。该数据集包含约 7.8k 个文档，涵盖人名、组织和地点三个实体类型。我们还在有监督学习和迁移学习环境中对最先进的方法进行了广泛的实证评估。最后，我们公开发布了数据和处理代码，以激励未来在塔加洛语自然语言处理方面的研究工作。

    Nov, 2023

  • DocRED：大规模文档级关系抽取数据集

    本文介绍 DocRED 数据集，该数据集为文档级别中关系抽取 (Relation Extraction) 提供了一个新的方法，并提供了大规模的远程监督数据，以满足超级 / 弱监督训练需求。同时我们实验了目前最先进的方法，结果表明文档级别中关系抽取仍需要进一步的研究。

    Jun, 2019

  • LLM 能否代替人工标注？无人机投递的精细化中文地址实体识别数据集案例研究

    我们提出了 CNER-UAV，这是一个针对无人机递送系统中地址解析任务而专门设计的精细化的中文命名实体识别数据集。该数据集涵盖了五个类别的各种各样的样本，可用于对命名实体识别模型进行全面的训练和评估。我们从真实的无人机递送系统收集数据，并进行了严格的数据清洗和去敏处理，以确保隐私和数据完整性。我们对我们的数据集进行了人工专家和大型语言模型的注释，并评估了经典的命名实体识别模型，并提供了深入的分析。该数据集和模型可在 https://github.com/zhhvvv/CNER-UAV 上公开获取。

    Mar, 2024

  • 远程监督关系提取数据集：实现准确和一致的评估

    本文使用深度神经网络进行了遥感监督关系提取，通过建立新的人工标注测试数据集 NYT-H，对遥感监督法进行了更为准确和一致的评估，并发现与使用 DS 标注测试数据的对比系统的排名列表有所不同，说明人工标注数据对于遥感监督关系提取的评估是必要的。

    Oct, 2020

  • 评估基于领域专属知识库的端到端实体链接：从博物馆藏品学习古代科技

    本研究旨在探究使用现代实体链接方法对博物馆收藏数据进行丰富的可能性，结果表明，正交纠正的实体链接模型在该领域的性能明显优于其他现有方法。

    May, 2023

  • CREER：用于关系抽取和实体识别的大规模语料库

    本文介绍了 CREER 数据集的设计和使用，该数据集注释了丰富的英语语法和语义属性，使用 Stanford CoreNLP Annotator 从维基百科明文中捕获语言结构，并遵循广泛使用的语言和语义注释，可以用于大多数自然语言处理任务以及数据集的扩展。这个大型监督式数据集可作为未来改进 NLP 任务性能的基础，并通过链接公开发布。

    Apr, 2022