bigbio/quaero

QUAERO法语医学语料库最初是作为命名实体识别和归一化的资源开发的，后来被改进为创建法语生物医学文本的归一化实体黄金标准集，并用于CLEF eHealth评估实验室。该数据集包括MEDLINE标题和EMEA文档的手动注释，注释过程由统一医学语言系统（UMLS）的概念指导。数据集分为训练数据、开发数据和测试数据，分别以BioC格式提供。训练数据包括833个MEDLINE标题和3个EMEA文档，开发数据包括832个MEDLINE标题和3个EMEA文档，测试数据包括833个MEDLINE标题和4个EMEA文档。

原始信息汇总

数据集概述

基本信息

• 名称: QUAERO French Medical Corpus
• 语言: 法语
• 许可证: GFDL_1p3
• 多语言性: 单语种
• 任务: 命名实体识别 (NER), 命名实体消歧 (NED)

数据集内容

• 训练数据:
  • MEDLINE_train_bioc文件: 包含833篇MEDLINE标题，以BioC格式标注了规范化实体。
  • EMEA_train_bioc文件: 包含3篇EMEA文档，分割为11个子文档，以BioC格式标注了规范化实体。
• 开发数据:
  • MEDLINE_dev_bioc文件: 包含832篇MEDLINE标题，以BioC格式标注了规范化实体。
  • EMEA_dev_bioc文件: 包含3篇EMEA文档，分割为12个子文档，以BioC格式标注了规范化实体。
• 测试数据:
  • MEDLINE_test_bioc文件夹: 包含833篇MEDLINE标题，以BioC格式标注了规范化实体。
  • EMEA_test_bioc文件夹: 包含4篇EMEA文档，分割为15个子文档，以BioC格式标注了规范化实体。

数据集特点

• 标注标准: 根据UMLS的十个语义组进行标注，包括解剖学、化学和药物、设备、疾病、地理区域、生物、物体、现象、生理学、程序。
• 标注方法: 全面标注，支持嵌套实体和多重映射到UMLS概念。

数据集版本

• 当前版本: BioC格式，通过Brat2BioC工具从原始BRAT格式自动转换。
• 原始版本: BRAT格式，可从官网单独获取。

联系方式

• 问题咨询: [e-mail]