我们构建了 Arukikata 旅行游记数据集并免费提供供学术研究使用。该数据集拥有超过 3100 万字的日文文本，包括 4672 篇国内和 9607 篇海外游记文章。这个数据集的建立解决了旅行游记数据稀缺的问题，以便对旅行游记的研究具有公平性和可重复性，并促进旅游业的发展。

May, 2023

本文对地理位置信息的解析进行了系统梳理和综合评估，总结了地理信息检索、疾病监测、交通管理等七个应用领域的实践应用，归纳了四类解析方法并对其中流行的 27 种方法进行了计算正确性和效率评估，为未来方法发展提供了指导和参考。

Jul, 2022

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

该研究提出了一个三部分新框架，包括任务定义、指标和评估数据，即通过语料库语言分析提出一个细粒度的地名实用分类学，讨论和审查任务的指标，并共享一个新的数据集 GeoWebNews 以提供测试 / 培训示例和启用我们贡献的即时使用； 除了细粒度 Geotagging 和 Toponym Resolution（地理编码），该数据集也适用于机器学习 NLP 模型的原型设计和评估

Oct, 2018

本文探讨了在嘈杂的多语种社交媒体数据中进行地理实体链接的挑战性任务，提出了一种将真实世界位置表示为标记的用户输入位置名称的平均嵌入，并通过可解释的置信度得分进行选择性预测的方法。通过在全球和多语种社交媒体数据集上进行实验证明了我们的方法改进了地理实体链接，并讨论了在不同地理粒度上评估的进展和问题。

Apr, 2024

研究了自然语言处理中数据可用性对现代 NLP 系统质量的影响，使用实体识别和链接系统，观察了它们的跨语言一致性，并探讨了解释观察到的数据集分布的地理和经济因素。

Dec, 2021

本文介绍了 Flickr30k 实体数据集，其中增加了 244k 个共指链，将相同实体的提及于同一图像中的不同标题链接起来，并与 276k 个手动标注的边界框关联。该注释对于自动图像描述和基于语言的图像理解的持续进展至关重要。

May, 2015

利用建立在 OntoNotes 基准之上进行了调整的 ThaiCoref 数据集，通过训练多语言编码器和跨语言转移技术，该研究在测试集上取得了 67.88% 的最佳 F1 得分，揭示了泰语独特的语言特征所带来的挑战。

Jun, 2024

本文提出了一个新的数据集，其中包含 100 部英文小说的 29,103 个指代注释，涵盖了 210,532 个标记。这个数据集对比以前的数据集不同的地方在于包含了平均长度为 2,105.3 个单词的文档，是其他基准数据集的四倍长（OntoNotes 为 463.7），并且包含了文学中常见的难度指代问题的示例。这个数据集可以评估指代消解任务的跨领域性能，并分析长距离文档内指代的特征。

Dec, 2019

通过使用维基百科文章中的超链接将多个位置表达式与坐标关联起来，我们构建了 WHLL（Wikipedia Hyperlink-based Location Linking）语料库，该语料库包含 130 万篇文章，每篇文章大约包含 7.8 个独特的位置表达式。实验结果表明，通过消除位置表达式的歧义性，仍然存在改进的空间。

Mar, 2024