hugosousa/ProfessorHeidelTime

Professor HeidelTime数据集是一个多语言语料库，使用HeidelTime时间标记器进行弱标注。该数据集包含六种语言（英语、意大利语、德语、西班牙语、法语和葡萄牙语），每种语言的语料库都有详细的文档数量、时间范围、词条数量和时间表达式数量。数据集的任务类别包括词性标注、命名实体识别和解析，适用于时间表达式的识别、分类和提取任务。

The Professor HeidelTime dataset is a multilingual corpus weakly annotated using the HeidelTime temporal tagger. This dataset covers six languages: English, Italian, German, Spanish, French, and Portuguese. For each language, the corpus provides detailed statistics including the number of documents, temporal scope, number of lexical entries, and number of temporal expressions. The task categories of this dataset include part-of-speech tagging, named entity recognition, and parsing, and it is applicable to tasks such as temporal expression recognition, classification, and extraction.

原始信息汇总

Professor HeidelTime 数据集概述

基本信息

• 标注创建者: 机器生成
• 语言: 英语、法语、葡萄牙语、德语、意大利语、西班牙语
• 语言创建者: 发现
• 许可证: MIT
• 多语言性: 多语言
• 大小类别: 100K<n<1M
• 源数据集: 原始数据
• 标签: Timex, Timexs, Temporal Expression, Temporal Expressions, Temporal Information, Timex Identification, Timex Classification, Timex Extraction
• 任务类别: 标记分类
• 任务ID: 解析、词性标注、命名实体识别

配置详情

• 葡萄牙语: 数据文件为 portuguese.json
• 英语: 数据文件为 english.json
• 法语: 数据文件为 french.json
• 意大利语: 数据文件为 italian.json
• 西班牙语: 数据文件为 spanish.json
• 德语: 数据文件为 german.json

语料库详情

数据集	语言	文档数量	起始日期	结束日期	词数	时间表达式数量
All the News 2.0	英语	24,642	2016-01-01	2020-04-02	18,755,616	254,803
Italian Crime News	意大利语	9,619	2011-01-01	2021-12-31	3,296,898	58,823
German News Dataset	德语	33,266	2003-01-01	2022-12-31	21,617,888	348,011
ElMundo News	西班牙语	19,095	2005-12-02	2021-10-18	12,515,410	194,043
French Financial News	法语	24,293	2017-10-19	2021-03-19	1,673,053	83,431
Público News	葡萄牙语	27,154	2000-11-14	2002-03-20	5,929,377	111,810