liyucheng/chinese_metaphor_dataset

首个中文比喻数据集，可以用于中文比喻识别与中文比喻生成。该数据集包含约9000个带有本体和喻体标注的中文比喻句子。

The first Chinese metaphor dataset can be applied to Chinese metaphor recognition and generation tasks. It contains approximately 9,000 Chinese metaphor sentences annotated with their respective tenor and vehicle.

原始信息汇总

Chinese Metaphor Corpus (CMC)

数据集描述

• 数据集名称： Chinese Metaphor Corpus (CMC)
• 数据集用途： 用于中文比喻识别与中文比喻生成
• 数据集大小： 约9000个带有tenor和vehicle标注的比喻句
• 语言： 中文
• 许可证： cc-by-nc-sa-4.0
• 标签： 比喻、修辞语言
• 任务类别： 文本生成
• 数据集详细信息： 可在GitHub仓库和相关论文中查看更多细节

引用信息

@inproceedings{li-etal-2022-cm, title = "{CM}-Gen: A Neural Framework for {C}hinese Metaphor Generation with Explicit Context Modelling", author = "Li, Yucheng and Lin, Chenghua and Guerin, Frank", booktitle = "Proceedings of the 29th International Conference on Computational Linguistics", month = oct, year = "2022", address = "Gyeongju, Republic of Korea", publisher = "International Committee on Computational Linguistics", url = "https://aclanthology.org/2022.coling-1.563", pages = "6468--6479", }

搜集汇总

数据集介绍

构建方式

该数据集的构建，是通过搜集并注释大约9000个中文比喻句子，为每个句子标注了本体（tenor）和喻体（vehicle），从而形成了一个庞大的中文比喻资源库。此举旨在为中文比喻的识别与生成任务提供基础数据支持，其构建过程严谨且富于创新，为后续研究奠定了坚实基础。

特点

Chinese Metaphor Corpus（CMC）作为首个中文比喻数据集，其显著特点在于既支持中文比喻的识别，也适用于中文比喻的生成。数据集覆盖了丰富的比喻表达，为研究者提供了珍贵的语言材料，对于推动中文自然语言处理领域的发展具有重要价值。

使用方法

使用该数据集，研究者可以从中获取标注详尽的比喻句例，用于训练和评估自然语言处理模型在中文比喻识别与生成任务上的性能。用户需遵循cc-by-nc-sa-4.0协议，合法使用数据集，同时可以通过数据集提供的GitHub仓库和论文详细了解数据集的结构和使用方式。

背景与挑战

背景概述

在自然语言处理领域，比喻作为一种重要的修辞手法，其识别与生成对于理解语言深层含义至关重要。在此背景下，'liyucheng/chinese_metaphor_dataset'（简称CMC）应运而生。该数据集由研究者李玉成及其团队构建，并于2022年通过COLING会议论文《CM-Gen: A Neural Framework for Chinese Metaphor Generation with Explicit Context Modelling》向学术界展示。CMC数据集标志着首个中文比喻识别与生成综合数据集的诞生，为中文自然语言处理领域提供了宝贵资源，对提升机器理解与生成比喻语言的能力具有显著影响力。

当前挑战

尽管CMC数据集在比喻识别与生成方面迈出了重要步伐，但研究者在构建过程中仍面临诸多挑战。首先，比喻语言的多样性与复杂性使得数据标注工作颇具难度，确保标注质量与一致性是一大挑战。其次，当前数据集规模有限，可能无法涵盖所有中文比喻的使用场景，这限制了模型泛化能力的提升。此外，如何在保持语境明确性的同时，提高模型生成比喻的创意性与准确性，亦是当前研究的难点所在。

常用场景

经典使用场景

在自然语言处理领域中，比喻作为一种常见的修辞手法，对于理解和生成具有挑战性。CMC数据集，即中文比喻语料库，便是针对这一挑战而构建。它被广泛用于文本生成任务中，尤其是那些需要理解和生成比喻表达的应用场景，例如诗歌创作、文学分析以及广告文案的撰写，为相关研究提供了丰富的语料支持。

衍生相关工作

基于CMC数据集，研究者们开展了一系列相关的工作，如构建比喻识别模型、生成模型以及进行跨语言的比喻研究。这些工作进一步拓展了数据集的应用范围，推动了相关领域的理论发展和技术应用，其中包括在COLING 2022上发表的论文《CM-Gen: A Neural Framework for Chinese Metaphor Generation with Explicit Context Modelling》，为比喻生成提供了新的神经框架。

数据集最近研究

最新研究方向

在自然语言处理领域，比喻的识别与生成一直是研究的热点。近期，首个中文比喻数据集CMC的推出，为该领域带来了新的研究资源。该数据集包含约9000个带有注释的比喻句子，不仅支持比喻的识别，还服务于比喻的生成。相关研究CM-Gen在COLING 2022上发表，提出了一种显式上下文建模的神经框架，以应对中文比喻生成的挑战，进一步推动了中文比喻处理技术的发展与应用。