SEACrowd/orchid_pos

ORCHID语料库是一个泰语词性标注（POS）数据集，由日本通信研究实验室（CRL）和泰国国家电子与计算机技术中心（NECTEC）合作开发。该数据集分为三个层次：段落、句子和单词，并采用独特的标签集，专为多语言机器翻译项目设计，特别针对泰语文本的挑战，如缺乏明确的词和句子边界、标点符号和词形变化。数据集包含文本信息和检索编号，并使用概率三元模型进行分词和词性标注。ORCHID语料库的结构旨在减少词性标注的歧义，是泰语语言处理和计算语言学研究的重要资源。

原始信息汇总

Orchid Pos 数据集概述

基本信息

• 许可证: Creative Commons Attribution Non Commercial Share Alike 3.0 (cc-by-nc-sa-3.0)
• 语言: 泰语 (tha)
• 任务类别: 词性标注 (pos-tagging)
• 标签: 词性标注 (pos-tagging)

数据集描述

• 来源: 由日本通信研究实验室 (CRL) 和泰国国家电子与计算机技术中心 (NECTEC) 合作创建。
• 结构: 分为段落、句子和单词三个层次。
• 特点:
  • 包含独特的标签集，适用于多语言机器翻译项目。
  • 专门设计用于处理泰语文本，解决其缺乏显式词和句子边界、标点符号和屈折变化的问题。
  • 包含文本信息和编号，便于检索。
  • 使用概率三元模型进行词分割和词性标注。
  • 旨在减少词性标注中的歧义，适用于泰语处理和计算语言学研究。

支持的任务

• 词性标注 (Pos Tagging)

数据集版本

• 源版本: 1.0.0
• SEACrowd版本: 2024.06.20

引用

• Orchid Pos:

  @article{sornlertlamvanich1999building, title={Building a Thai part-of-speech tagged corpus (ORCHID)}, author={Sornlertlamvanich, Virach and Takahashi, Naoto and Isahara, Hitoshi}, journal={Journal of the Acoustical Society of Japan (E)}, volume={20}, number={3}, pages={189--198}, year={1999}, publisher={Acoustical Society of Japan} }

• SEACrowd:

  @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} }