ruanchaves/rerelem

ReRelEM数据集是一个用于葡萄牙语文本中命名实体之间关系检测和分类的数据集。数据集包含2226个训练实例、701个验证实例和805个测试实例。每个实例包含两个句子，句子中的两个实体分别用[E1]和[E2]标签标记。数据集提供了四类关系分类：identity、included-in、located-in和other（进一步细分为20种不同关系）。尽管保留了超过99%的原始实例，但该数据集并不完全代表原始的ReRelEM数据集。数据集在分割为训练、验证和测试集后，删除了21个关系类型未包含在训练集中的测试实例，以及7个因格式错误无法处理的原始实例。ReRelEM数据集是一个用于葡萄牙语文本中命名实体之间关系检测和分类的数据集。数据集包含2226个训练实例、701个验证实例和805个测试实例。每个实例包含两个句子，句子中的两个实体分别用[E1]和[E2]标签标记。数据集提供了四类关系分类：identity、included-in、located-in和other（进一步细分为20种不同关系）。尽管保留了超过99%的原始实例，但该数据集并不完全代表原始的ReRelEM数据集。数据集在分割为训练、验证和测试集后，删除了21个关系类型未包含在训练集中的测试实例，以及7个因格式错误无法处理的原始实例。

原始信息汇总

数据集概述

数据集名称

• 名称: ReRelEM

数据集描述

• 目的: 用于检测和分类葡萄牙语文本中命名实体之间的关系。
• 内容: 包含2226个训练实例、701个验证实例和805个测试实例。每个实例包含两个句子，其中包含两个实体，分别用[E1]和[E2]标记。
• 关系分类: 提供四种关系分类：身份、包含在内、位于内、其他（细分为二十种不同关系）。

语言

• 语言: 葡萄牙语

数据集结构

• 数据实例: 每个实例包括文档ID、两个句子（其中一个可能为空）、关系标签和指示实体是否在同一文本中的标志。
• 数据字段:
  • docid: 文档ID
  • sentence1: 包含实体[E1]的句子
  • sentence2: 包含实体[E2]的句子（可能为空）
  • label: 实体间的关系类型
  • same_text: 指示两个实体是否在同一句子中

数据分割

• 分割详情:

  类型	实例数
  训练	2226
  验证	701
  测试	805

引用信息

bibtex @inproceedings{freitas2009relation, title={Relation detection between named entities: report of a shared task}, author={Freitas, Cl{a}udia and Santos, Diana and Mota, Cristina and Oliveira, Hugo Gon{\c{c}}alo and Carvalho, Paula}, booktitle={Proceedings of the Workshop on Semantic Evaluations: Recent Achievements and Future Directions (SEW-2009)}, pages={129--137}, year={2009} }

搜集汇总

数据集介绍

构建方式

ReRelEM数据集专为葡萄牙语文本中命名实体间关系的检测与分类而设计，其构建基于对原始语料的精细筛选与重组。数据源自专家标注的语料库，保留了超过99%的原始实例，但并非完整复现原始数据集。为确保数据质量，在划分为训练集、验证集和测试集后，剔除了21个关系类型未出现在训练集中的测试实例，同时移除了7个因格式错误无法修复的原始实例。最终形成了包含2226个训练样本、701个验证样本和805个测试样本的结构化数据集，且保证来自同一文档的句子不会出现在不同数据划分中。

特点

该数据集的核心特点在于其层次化的关系分类体系，涵盖四种主要关系类型：身份关系、包含关系、位置关系及其他关系，其中其他关系进一步细分为二十种不同的子类，从而实现了对命名实体间语义联系的精细刻画。每个实例包含两个句子，实体跨度分别由[E1]和[E2]标签标记，并附带一个布尔字段same_text指示两个实体是否出现在同一句子中。这种设计使得数据集既支持跨句子关系抽取，也适用于单句内的关系识别任务。

使用方法

使用ReRelEM数据集时，研究人员可直接加载HuggingFace上的预划分数据，利用其提供的2226条训练样本、701条验证样本和805条测试样本进行模型训练与评估。数据实例以JSON格式存储，包含文档ID、句子文本、标签及同句标识等字段。对于文本分类任务，可将句子对与关系标签作为输入输出，采用预训练语言模型进行微调。特别需要注意的是，当same_text字段为真时，第二个句子为空，此时模型需仅依据第一个句子进行关系预测。

背景与挑战

背景概述

在自然语言处理领域，命名实体识别与关系抽取是构建语义理解系统的核心任务，尤其对于葡萄牙语等资源相对稀缺的语言而言，相关数据集与基准测试的建立显得尤为关键。ReRelEM数据集由Cláudia Freitas、Diana Santos、Cristina Mota、Hugo Gonçalo Oliveira和Paula Carvalho等研究人员于2009年提出，其研究背景源于对葡萄牙语文本中命名实体间语义关系的系统化探索。该数据集以HAREM语料库为基础，专注于检测和分类实体间的四种主要关系类型：同一性、包含、位于以及其他（细分为二十种具体关系）。通过提供超过3700个标注实例，ReRelEM为葡萄牙语关系抽取任务奠定了重要的评测基础，并推动了相关领域在低资源语言上的研究进展。该数据集在2009年语义评测研讨会（SEW-2009）上发布，成为后续葡萄牙语信息抽取系统性能评估的标杆之一。

当前挑战

ReRelEM数据集所应对的核心领域挑战在于葡萄牙语中命名实体间关系的多样性与模糊性。具体而言，关系类型‘其他’被细分为二十种不同关系，导致类别分布极不均衡，增加了模型在细粒度分类上的难度。此外，实体对可能跨越不同句子出现（如数据实例中same_text字段所示），要求模型具备跨句推理能力。在数据集构建过程中，挑战体现在多个方面：首先，原始HAREM语料库中的实例需经过人工专家标注，但部分实例存在格式错误，最终有7条因无法修复而被剔除；其次，为保持训练集与测试集间类别一致性，从测试集中移除了21条未在训练集中出现的关系类型实例，这虽然提升了评测的公平性，但也减少了数据多样性。这些构建环节中的取舍，反映了在有限资源下平衡数据质量与完整性的普遍难题。

常用场景

经典使用场景

ReRelEM数据集在自然语言处理领域，特别是针对葡萄牙语的命名实体关系抽取任务中，扮演着不可或缺的角色。该数据集精心构建了包含训练、验证和测试的数千个实例，每个实例以双句形式呈现，并利用标签[E1]和[E2]精确标记实体位置。经典使用场景集中于四类关系的识别：同一性、包含性、位置性以及其他二十种细分关系，这为研究者提供了一个标准化的基准，用以评估和比较不同模型在关系分类上的性能。通过将句子按文档来源分割，数据集确保了跨文档的独立性，从而提升了评估的严谨性。

衍生相关工作

ReRelEM数据集催生了一系列经典工作，例如基于该数据集的共享任务（SEW-2009）直接推动了葡萄牙语关系抽取领域的早期探索。后续研究围绕该数据集开展了多维度创新：包括利用上下文嵌入（如BERTimbau）进行微调以提升分类精度，以及设计图神经网络来建模实体间的复杂依赖关系。此外，该数据集还被用作跨语言迁移学习的评估基准，研究者通过将其与英语资源（如ACE 2005）对齐，验证了多语言模型在低资源场景下的泛化能力。这些工作共同丰富了关系抽取的理论体系，并启发了更多面向葡萄牙语的自然语言处理工具开发。

数据集最近研究

最新研究方向

在自然语言处理领域，关系抽取作为信息抽取的核心任务之一，正朝着更精细的语义理解和跨语言泛化方向演进。ReRelEM数据集聚焦于葡萄牙语文本中命名实体间的关系检测与分类，其四元关系体系（同一性、包含、位于及其他细分为二十类的复杂关系）为低资源语言的关系抽取研究提供了关键基准。当前前沿方向集中在利用该数据集探索基于预训练语言模型的少样本学习策略，以及结合跨文档上下文的多实例关系推理。此外，该数据集在事件抽取与知识图谱构建的交叉研究中受到关注，特别是针对葡萄牙语新闻文本中实体关系的动态演变建模，推动了多语言关系抽取系统的鲁棒性提升。ReRelEM的层次化关系标注设计也为从粗粒度到细粒度的关系分类任务迁移学习提供了实验平台，其影响延伸至低资源场景下语义资源的自动扩展与跨语言知识对齐。