官方服务：
资源简介：
Fine-grained NER dataset for five low-resource languages
应用场景：
创建时间：
2026-05-21
相关数据集
cross_ner_politics
### cross_ner_ai 细粒度命名实体识别 数据分为10个标签类别，分别为: 地址（address）， 书名（book）， 公司（company）， 游戏（game）， 政府（goverment）， 电影（movie）， 姓名（name）， 组织机构（organization）， 职位（position）， 景点（scene） 数据详细介绍、基线模型和效果测评，见 https:/
魔搭社区2026-07-03 更新110
Sample evaluation.
Named Entity Recognition (NER) plays a significant role in enhancing the performance of all types of domain specific applications in Natural Language Processing (NLP). According to the type of applica
NIAID Data Ecosystem50
autoevaluate/autoeval-staging-eval-project-6971abf9-7684957
该数据集包含由AutoTrain生成的模型预测结果，用于实体抽取任务。使用的模型是mbeukman/xlm-roberta-base-finetuned-swahili-finetuned-ner-amharic，数据集为masakhaner。
Hugging Face2022-06-26 更新50
MikeGreen2710/tho_cu_merged_old_new_01_10_pddvt_sanitized_old_tkn_old_ner_4000000_5000000
该数据集包含了文本和多个分类特征，适用于文本分类或特征提取等任务。数据集分为训练集，共有100万条示例。
Hugging Face2025-10-11 更新70
prachuryyaIITG/APTFiNER
APTFiNER是一个通过使用大型语言模型（LLMs）进行注释保留翻译来创建高质量细粒度命名实体识别数据集的框架。利用APTFiNER，创建了六种语言的细粒度命名实体识别数据集：阿萨姆语（as）、博多语（brx）、马拉地语（mr）、尼泊尔语（ne）、泰米尔语（ta）和泰卢固语（te）。数据集统计信息包括每种语言的训练集、开发集和测试集中的句子数、实体数和标记数，以及注释者间一致性（IAA）分数。该
Hugging Face2026-05-02 更新50
