nilc-nlp/mac_morpho

Mac-Morpho是一个巴西葡萄牙语文本的语料库，标注了词性标签。其第一个版本于2003年发布，之后进行了两次修订以提高资源的质量。数据集分为训练集、验证集和测试集，分别占总数据集的76%、4%和20%。这种划分方式在相关研究中被使用，并鼓励新的词性标注研究遵循此划分以便进行一致的比较。

原始信息汇总

数据集概述

数据集摘要

Mac-Morpho是一个巴西葡萄牙语文本的语料库，带有词性标注。其第一版于2003年发布，并进行了两次修订以提高资源质量。语料库分为训练、开发和测试部分，分别占总量的76%、4%和20%。

支持的任务和排行榜

• 任务类别: 词性标注
• 任务ID: 词性标注

语言

• 语言: 葡萄牙语

数据集结构

数据实例

一个来自Mac-Morpho数据集的示例如下： json { "id": "0", "pos_tags": [14, 19, 14, 15, 22, 7, 14, 9, 14, 9, 3, 15, 3, 3, 24], "tokens": ["Jersei", "atinge", "média", "de", "Cr$", "1,4", "milhão", "na", "venda", "da", "Pinhal", "em", "São", "Paulo", "."] }

数据字段

• id: 样本ID
• tokens: 示例文本的词元
• pos_tags: 每个词元的词性标签

词性标签对应以下列表：

"PREP+PROADJ", "IN", "PREP+PRO-KS", "NPROP", "PREP+PROSUB", "KC", "PROPESS", "NUM", "PROADJ", "PREP+ART", "KS", "PRO-KS", "ADJ", "ADV-KS", "N", "PREP", "PROSUB", "PREP+PROPESS", "PDEN", "V", "PREP+ADV", "PCP", "CUR", "ADV", "PU", "ART"

数据分割

数据分为训练、验证和测试集。分割大小如下：

训练集	验证集	测试集
37948	1997	9987

数据集创建

数据来源

• 标注创建者: 专家生成
• 语言创建者: 发现
• 许可证: CC-BY-4.0
• 多语言性: 单语
• 大小类别: 10K<n<100K
• 源数据集: 原始

其他信息

许可证信息

• 许可证: CC-BY-4.0

引用信息

@article{fonseca2015evaluating, title={Evaluating word embeddings and a revised corpus for part-of-speech tagging in Portuguese}, author={Fonseca, Erick R and Rosa, Jo{~a}o Lu{\i}s G and Alu{\i}sio, Sandra Maria}, journal={Journal of the Brazilian Computer Society}, volume={21}, number={1}, pages={2}, year={2015}, publisher={Springer} }