mattmdjaga/text-anonymization-benchmark-train

这是[文本匿名化基准](https://github.com/NorskRegnesentral/text-anonymization-benchmark)的训练集。正如标题所示，这是一个专注于文本匿名化的数据集，特别是欧洲法院文件，其中包含多个注释者的标签。

原始信息汇总

数据集概述

• 数据集名称: Text Anonymization Benchmark (TAB)
• 数据集类型: 训练集
• 主要任务: 文本匿名化
• 语言: 英语
• 许可证: MIT

数据集结构

数据字段

• doc_id: 字符串类型
• quality_checked: 字符串序列类型
• text: 字符串类型
• dataset_type: 字符串类型
• annotations: 结构体类型，包含多个注释者（annotator1至annotator12）的信息，每个注释者包含以下字段：
  • entity_mentions: 列表类型，包含以下字段：
    • confidential_status: 字符串类型
    • edit_type: 字符串类型
    • end_offset: 整数类型
    • entity_id: 字符串类型
    • entity_mention_id: 字符串类型
    • entity_type: 字符串类型
    • identifier_type: 字符串类型
    • related_mentions: 字符串序列类型
    • span_text: 字符串类型
    • start_offset: 整数类型
• meta: 结构体类型，包含以下字段：
  • applicant: 字符串类型
  • articles: 整数序列类型
  • countries: 字符串类型
  • legal_branch: 字符串类型
  • year: 整数类型
• task: 字符串类型

数据分割

• 训练集: 包含1014个实例，总大小为21023112字节，下载大小为6682699字节。

许可证信息

• 许可证: MIT License
• 许可描述: 允许商业和非商业用途的软件使用。