Entity-centric Future Reference Dataset

本数据集是一个围绕维基百科中高影响力实体构建的19,540句子的数据集，包含未来相关和非未来相关的上下文。数据集的构建是为了满足对实体中心文本中隐含未来引用自动检测的需求，旨在为决策制定、规划和趋势预测等应用提供支持。数据来源于维基百科，经过精心选择实体和句子，并通过BERT模型进行分类，最终形成了一个可靠的未来引用检测数据集。

搜集汇总

数据集介绍

构建方式

该数据集的构建过程首先围绕从维基百科中选取的具有影响力的实体，共收集了300个不同实体，涵盖名人、地理位置和公司/机构组织三个主要类别。通过对这些实体相关的维基百科文章进行句子收集，并使用BERT模型进行未来相关性和非未来相关性的分类。为了确保数据质量，使用了70%的置信度阈值，并对模型进行了两次微调。最终，数据集包含了19,540个句子，其中9,540个被分类为未来相关，另外10,000个非未来相关句子是从非未来相关类别中随机选取的。为了帮助模型学习更深层次的上下文模式，所有句子中的直接日期提及、年份引用和数值时间指标都被替换为通用的时间标记。

特点

该数据集的特点在于它专门针对实体为中心的未来相关性分析，涵盖了未来相关和非未来相关两种上下文。它为研究未来参考检测提供了一个新的视角，并能够帮助模型学习到更深层次的上下文模式。此外，数据集还包含了实体提及的句子，这些句子可以包含未来导向的隐含和显式标记，为未来相关内容的检索和聚合提供了丰富的信息。

使用方法

该数据集可用于训练和评估未来参考检测模型。用户可以使用这个数据集来训练传统的机器学习模型，如决策树、随机森林、朴素贝叶斯和支持向量机。同时，也可以使用基于Transformer的模型，如BERT、RoBERTa、DeBERTa和ALBERT，进行未来相关性的分类。此外，还可以使用大型语言模型，如FLAN-T5、Llama 3和Mistral，来探索未来参考检测任务的能力。在训练模型时，用户可以将数据集分为训练集和测试集，并使用适当的评估指标来衡量模型的性能。

背景与挑战

背景概述

在当今信息爆炸的时代，对文本内容的时态分析变得日益重要。尽管传统的自然语言处理方法已经探索了多种以命名实体为中心的任务，如命名实体识别、分类或链接，但实体的时态方面，尤其是其未来取向，仍然是一个相对未被充分探索的领域。本文介绍的Entity-centric Future Reference Dataset（实体中心未来参考数据集）旨在检测和分类实体中心文本中的未来参考。该数据集由来自维基百科的19,540个句子组成，这些句子围绕流行实体构建，并包含了与这些实体相关的未来相关和非未来相关背景。该数据集的核心研究问题是自动识别实体是否在未来背景下被引用，这对于决策制定、规划和趋势预测等多个领域具有重大意义。

当前挑战

该数据集面临的挑战包括：1) 领域问题：未来参考检测的挑战在于，未来参考通常依赖于微妙的上下文线索，而不是明确的标记。传统的时态文本分析和提取方法主要关注明确的时态表达，而在处理未来参考时往往力不从心。2) 构建过程中的挑战：数据集构建过程中，需要从维基百科中收集与实体相关的句子，并使用机器学习方法进行未来相关性的自动分类。为了确保数据集的质量，还进行了人工标注和模型验证，以评估自动分类系统的可靠性。此外，为了使模型能够基于语义和上下文线索而非仅仅依赖明确的时态标记来理解未来取向，数据集中所有明确的日期提及都被替换为通用的时态标记。

常用场景

经典使用场景

在信息爆炸的时代，对文本内容的时态分析显得日益重要。Entity-centric Future Reference Dataset通过收集围绕Wikipedia上的流行实体的句子，涵盖了未来相关和非未来相关的上下文，为自动识别实体在未来语境中的引用提供了丰富的资源。该数据集的创建，旨在帮助研究者理解未来计划、趋势预测等决策过程中实体的未来导向，为战略决策提供数据支持。

解决学术问题

该数据集解决了传统自然语言处理方法在处理未来语境时，对显式时间表达依赖度高的局限性。通过构建一个平衡的未来相关和非未来相关句子的数据集，研究者可以在没有显式时间参考的情况下，利用深度上下文模式识别实体的未来导向。此外，该数据集还提供了对大型语言模型在未来参考检测任务中的评估，为研究者在选择模型时提供了参考。

衍生相关工作

Entity-centric Future Reference Dataset的创建，促进了未来参考检测任务的研究。基于该数据集，研究者可以探索领域特定知识、跨语言未来参考检测、句子级偏差检测和移除等方法，进一步提高未来参考检测的准确性和可靠性。此外，该数据集还可以用于提取未来相关陈述的子组件，为生成有效的预测提供支持。