nkjp/nkjp-ner

NJKP NER数据集是一个用于命名实体识别任务的波兰语语言数据集。该数据集包含句子和目标标签，数据格式为TSV文件。数据集分为训练集、验证集和测试集，总共有约20,000个数据实例。数据集的创建目的是为了改进波兰语处理技术，适用于语言学研究和自然语言处理任务。数据集采用GNU GPL v.3许可证。

The NJKP NER Dataset is a Polish language dataset for Named Entity Recognition (NER) tasks. It contains sentences and target labels, with data stored in TSV file format. The dataset is split into training, validation, and test sets, with a total of approximately 20,000 data instances. It was developed to improve Polish language processing technologies, and is suitable for linguistic research and natural language processing tasks. The dataset is licensed under GNU GPL v.3.

原始信息汇总

数据集卡片 NJKP NER

数据集描述

数据集摘要

NJKP NER 数据集是一个手动标注的波兰语子语料库，包含约100万词，用于命名实体识别任务。

支持的任务和排行榜

• 任务类别: 命名实体识别

语言

• 语言: 波兰语

数据集结构

数据实例

数据集包含两个TSV文件（训练集和验证集），每个文件有两列（句子，目标），以及一个测试文件，只有一列（句子）。

数据字段

• sentence: 字符串类型
• target: 类别标签类型，包含以下类别：
  • 0: geogName
  • 1: noEntity
  • 2: orgName
  • 3: persName
  • 4: placeName
  • 5: time

数据分割

• 训练集: 15794个样本，1612125字节
• 测试集: 2058个样本，221092字节
• 验证集: 1941个样本，196652字节

数据集创建

策划理由

该数据集是用于改进波兰语处理的九个评估任务之一。

源数据

• 初始数据收集和规范化: 需要更多信息
• 源语言生产者: 需要更多信息

标注

• 标注过程: 需要更多信息
• 标注者: 需要更多信息

个人和敏感信息

• 个人和敏感信息: 需要更多信息

使用数据的注意事项

数据集的社会影响

• 社会影响: 需要更多信息

偏见的讨论

• 偏见讨论: 需要更多信息

其他已知限制

• 已知限制: 需要更多信息

附加信息

数据集策展人

• 策展人: 需要更多信息

许可信息

• 许可: GNU GPL v.3

引用信息

@book{przepiorkowski2012narodowy, title={Narodowy korpus j{k{e}}zyka polskiego}, author={Przepi{o}rkowski, Adam}, year={2012}, publisher={Naukowe PWN} }

贡献

感谢 @abecadel 添加此数据集。

搜集汇总

背景与挑战

背景概述

该数据集是波兰国家语料库（NKJP）的命名实体识别（NER）子集，专门用于波兰语文本的命名实体识别任务。数据集包含约1.9万行标注数据，覆盖地理名称、人名、组织名等多种实体类别，遵循GNU GPL v.3开源协议，旨在支持波兰语自然语言处理研究和应用开发。