IE数据集：一种面向中国文学文本的语篇级命名实体识别与关系抽取数据集

Xu J, Wen J, Sun X, et al. A discourse-level named entity recognition and relation extraction dataset for chinese literature text[J]. arXiv preprint arXiv:1711.07010, 2017.

github链接：https://github.com/lancopku/Chinese-Literature-NER-RE-Dataset

面向对象：中国文学文本、命名实体识别、关系抽取

贡献

• 为了构建高质量的数据集，论文提出了两种标记方法来解决数据不一致的问题，包括启发式标记方法和机器辅助标记方法。
• 与以前的句子级数据集不同，所提出的数据集基于语篇级，提供额外的上下文信息。

标注过程

• 第一步：尝试根据定义的实体和关系进行注释，标记过程中发现了数据不一致问题。
• 第二步：基于通用消歧规则的启发式标记。
• 第三步：机器辅助标记。其核心思想是训练一个模型，以学习语料库子集上的注释指南，并在其余数据上生成预测标签。预测的标签被用来与黄金标签进行比较，以发现不一致的实体和关系。

实体

• 每个实体都由 T 标签标识，该标签具有多个属性。
• Id：标识文档中实体的唯一编号。它从 0 开始，并且每次在同一文档中识别新实体时都会递增。
• 类型：实体标签之一。
• 开始索引：实体的开始索引。它从 0 开始，每个字符递增。
• 结束索引：实体的结束索引。它从 0 开始，每个字符递增。
• 值：指可识别对象的词语。

关系

• 每个关系都由 R 标记标识，该标签具有多个属性。
• Id：标识文档中关系的唯一编号。它从 0 开始，每次在同一文档中识别新关系时都会递增。
• Arg1 和 Arg2：与关系关联的两个实体。
• 类型：关系标签之一。