SEACrowd/vistec_tp_th_21

Vistec Tp Th 21是最大的社交媒体领域泰语文本处理数据集，包含49,997个句子和3.39百万个单词，由语言学家手动注释，用于分词、拼写错误检测和纠正以及命名实体识别。

The largest social media domain datasets for Thai text processing (word segmentation, misspell correction and detection, and named-entity boundary) called VISTEC-TP-TH-2021 or VISTEC-2021. VISTEC corpus contains 49,997 sentences with 3.39M words where the collection was manually annotated by linguists on four tasks, namely word segmentation, misspelling detection and correction, and named entity recognition.

原始信息汇总

Vistec Tp Th 21 数据集概述

数据集信息

• 名称: Vistec Tp Th 21
• 语言: 泰语 (tha)
• 任务类别: 命名实体识别 (Named Entity Recognition)
• 标签: 命名实体识别
• 许可证: Creative Commons Attribution Share Alike 3.0 (cc-by-sa-3.0)
• 版本:
  • 源版本: 1.0.0
  • SEACrowd版本: 2024.06.20

数据集描述

VISTEC-TP-TH-2021 是最大的泰语文本处理社交媒体领域数据集，包含 49,997 个句子，共计 3.39 百万个单词。该数据集由语言学家手动标注，涵盖四个任务：词分割、拼写错误检测与纠正、命名实体识别。

支持的任务

• 命名实体识别

数据集使用

使用 datasets 库

python from datasets import load_dataset dset = datasets.load_dataset("SEACrowd/vistec_tp_th_21", trust_remote_code=True)

使用 seacrowd 库

python import seacrowd as sc

使用默认配置加载数据集

dset = sc.load_dataset("vistec_tp_th_21", schema="seacrowd")

检查数据集的所有可用子集（配置名称）

print(sc.available_config_names("vistec_tp_th_21"))

使用特定配置加载数据集

dset = sc.load_dataset_by_config_name(config_name="<config_name>")

数据集主页

https://github.com/mrpeerat/OSKut/tree/main/VISTEC-TP-TH-2021

引用

如果您在工作中使用了 Vistec Tp Th 21 数据集，请引用以下内容： bibtex @inproceedings{limkonchotiwat-etal-2021-handling, title = "Handling Cross- and Out-of-Domain Samples in {T}hai Word Segmentation", author = "Limkonchotiwat, Peerat and Phatthiyaphaibun, Wannaphong and Sarwar, Raheem and Chuangsuwanich, Ekapol and Nutanong, Sarana", booktitle = "Findings of the Association for Computational Linguistics: ACL-IJCNLP 2021", month = aug, year = "2021", address = "Online", publisher = "Association for Computational Linguistics", url = "https://aclanthology.org/2021.findings-acl.86", doi = "10.18653/v1/2021.findings-acl.86", pages = "1003--1016", }

@article{lovenia2024seacrowd, title={SEACrowd: A Multilingual Multimodal Data Hub and Benchmark Suite for Southeast Asian Languages}, author={Holy Lovenia and Rahmad Mahendra and Salsabil Maulana Akbar and Lester James V. Miranda and Jennifer Santoso and Elyanah Aco and Akhdan Fadhilah and Jonibek Mansurov and Joseph Marvin Imperial and Onno P. Kampman and Joel Ruben Antony Moniz and Muhammad Ravi Shulthan Habibi and Frederikus Hudi and Railey Montalan and Ryan Ignatius and Joanito Agili Lopo and William Nixon and Börje F. Karlsson and James Jaya and Ryandito Diandaru and Yuze Gao and Patrick Amadeus and Bin Wang and Jan Christian Blaise Cruz and Chenxi Whitehouse and Ivan Halim Parmonangan and Maria Khelli and Wenyu Zhang and Lucky Susanto and Reynard Adha Ryanda and Sonny Lazuardi Hermawan and Dan John Velasco and Muhammad Dehan Al Kautsar and Willy Fitra Hendria and Yasmin Moslem and Noah Flynn and Muhammad Farid Adilazuarda and Haochen Li and Johanes Lee and R. Damanhuri and Shuo Sun and Muhammad Reza Qorib and Amirbek Djanibekov and Wei Qi Leong and Quyet V. Do and Niklas Muennighoff and Tanrada Pansuwan and Ilham Firdausi Putra and Yan Xu and Ngee Chia Tai and Ayu Purwarianti and Sebastian Ruder and William Tjhi and Peerat Limkonchotiwat and Alham Fikri Aji and Sedrick Keh and Genta Indra Winata and Ruochen Zhang and Fajri Koto and Zheng-Xin Yong and Samuel Cahyawijaya}, year={2024}, eprint={2406.10118}, journal={arXiv preprint arXiv: 2406.10118} }

搜集汇总

数据集介绍

构建方式

VISTEC-TP-TH-2021数据集，简称VISTEC-2021，是在泰国文本处理领域的一项重要成果。该数据集由49,997个句子构成，包含3.39M个词汇，是由语言学家手工注释的四个任务的集合，包括词汇切分、拼写错误检测与纠正以及命名实体识别。这一构建过程确保了数据集在质量和准确性上的可靠性。

特点

该数据集在泰国文本处理领域具有显著特点，它不仅是最大的社交媒体领域数据集，覆盖了广泛的词汇和句子结构，而且特别针对泰语语言特性进行了深度注释，为命名实体识别等任务提供了详尽的标注，对于提升相关研究的准确性和实用性具有重要价值。

使用方法

使用VISTEC-TP-TH-2021数据集，研究者可以通过HuggingFace的datasets库或seacrowd库来加载。通过datasets库，可以简单地调用load_dataset函数；而通过seacrowd库，则可以使用load_dataset或load_dataset_by_config_name函数，并根据需要选择特定的配置名称来加载数据集，从而满足不同的研究需求。

背景与挑战

背景概述

在自然语言处理领域，泰语文本的命名实体识别是关键任务之一，对于理解文本内容、提升信息检索质量以及构建智能对话系统具有重要意义。VISTEC-TP-TH-2021数据集，简称VISTEC-2021，是由SEACrowd团队于2021年推出的，是目前最大的社交媒体领域泰语文本处理数据集。该数据集由49,997个句子组成，包含3.39M个单词，由语言学家手动标注，涵盖四个任务：分词、拼写错误检测与纠正、命名实体识别。VISTEC-2021数据集的研究成果在学术界产生了广泛影响，为泰语自然语言处理领域的研究提供了宝贵资源。

当前挑战

尽管VISTEC-2021数据集为泰语命名实体识别研究提供了重要支持，但该领域仍面临诸多挑战。首先，跨领域和跨语言的数据处理是研究中的难点，特别是在处理具有复杂结构的泰语文本时。其次，构建高质量的数据集需要大量的人工标注工作，这不仅耗时且成本高昂。此外，数据集中可能存在的偏差和覆盖面不足也会影响模型的泛化能力，为研究带来了额外挑战。

常用场景

经典使用场景

在自然语言处理领域，特别是针对泰语的处理，VISTEC-TP-TH-2021数据集以其丰富的标注内容和多样的任务类型，成为研究者的宝贵资源。该数据集的经典使用场景主要集中于命名实体识别（NER），通过对大量文本数据进行精确的实体标注，为构建和训练高效NER模型提供了坚实基础。

实际应用

在实际应用中，VISTEC-TP-TH-2021数据集的应用场景广泛，包括但不限于社交媒体文本分析、信息抽取、自动摘要等。这些应用不仅促进了泰语信息处理技术的发展，也为东南亚地区的语言技术商业化铺平了道路。

衍生相关工作

基于VISTEC-TP-TH-2021数据集，研究者们开展了一系列相关工作，如跨领域样本处理、文本错误检测与校正等。这些研究进一步拓宽了数据集的应用范围，为自然语言处理领域贡献了新的理论和实践成果。