wnut16命名实体识别数据集

# wnut16命名实体识别数据集

## 数据集概述
wnut16数据集是面向社交媒体的英文命名实体识别数据集。

### 数据集简介
本数据集包括训练集（2394）、验证集（1000）、测试集（3850），实体类型包括company、facility、loc、movie、musicartist、other、person、product、sportsteam、tvshow。

### 数据集的格式和结构
数据格式采用conll标准，数据分为两列，第一列是输入句中的词划分，第二列是每个词对应的命名实体类型标签。一个具体case的例子如下：

```
@therealdaftbear O
Albert B-person
Nobbs I-person
( O
Glenn B-person
Close)is O
a O
woman O
living O
as O
a O
man O
in O
order O
to O
find O
work O
in O
the O
harsh O
environment O
of O
19th-century O
Ireland B-loc
```

## 数据集版权信息

Creative Commons Attribution 4.0 International。

## 引用方式
```bib
@inproceedings{Ritter11,
author = {Ritter, Alan and Clark, Sam and Mausam and Etzioni, Oren},
title = {Named Entity Recognition in Tweets: An Experimental Study},
booktitle = {EMNLP},
year = {2011}
}

@inproceedings{Ritter12,
author = {Ritter, Alan and Mausam and Etzioni, Oren and Clark, Sam},
title = {Open Domain Event Extraction from Twitter},
booktitle = {KDD},
year = {2012}
}
```

# wnut16命名实体识别（Named Entity Recognition, NER）数据集

## 数据集概述
wnut16数据集是面向社交媒体的英文命名实体识别数据集。

### 数据集简介
本数据集包含训练集（2394条样本）、验证集（1000条样本）、测试集（3850条样本），实体类型涵盖公司（company）、设施（facility）、位置（loc）、电影（movie）、音乐艺人（musicartist）、其他（other）、人物（person）、产品（product）、体育队伍（sportsteam）、电视节目（tvshow）。

### 数据集的格式与结构
数据格式采用CoNLL标准，数据分为两列，第一列为输入语句的分词单元，第二列为每个分词对应的命名实体类型标签。具体示例如下：

@therealdaftbear O
Albert B-person
Nobbs I-person
( O
Glenn B-person
Close)is O
a O
woman O
living O
as O
a O
man O
in O
order O
to O
find O
work O
in O
the O
harsh O
environment O
of O
19th-century O
Ireland B-loc

## 数据集版权信息
知识共享署名4.0国际许可协议（Creative Commons Attribution 4.0 International）。

## 引用方式
bib
@inproceedings{Ritter11,
author = {Ritter, Alan and Clark, Sam and Mausam and Etzioni, Oren},
title = {Named Entity Recognition in Tweets: An Experimental Study},
booktitle = {EMNLP},
year = {2011}
}

@inproceedings{Ritter12,
author = {Ritter, Alan and Mausam and Etzioni, Oren and Clark, Sam},
title = {Open Domain Event Extraction from Twitter},
booktitle = {KDD},
year = {2012}
}

搜集汇总

背景与挑战

背景概述

wnut16是一个专注于社交媒体文本的英语命名实体识别数据集，包含训练集、验证集和测试集，总计7244条样本，涵盖公司、设施、地点等10种实体类型。数据采用CoNLL标准格式，以单词和对应实体标签的两列结构组织。