slashyear
收藏资源简介：
slashyear 是一个面向历史事件的结构化数据集，数据来源于英文维基百科中关于年份、年代和世纪的文章，涵盖了从约公元前3000年至今的所有有确切日期的历史事件。该数据集的核心创新在于每一行都记录了对应文本的维基修订版本 ID（source_revid），使得引用可追溯且不可变，解决了维基百科内容动态更新导致的引用失效问题。数据集共包含四个子配置：events（每条记录对应一个带原文引用的事件）、years（每个年份及其首段摘要）、subjects（每个主题，如人物、地点、机构，多数带有维基数据 QID）以及 subject_events（主题与事件的连接关系，支持按主题筛选）。数据规模在 10,000 到 100,000 条之间。字段丰富，包括年份（天文编号，如 -43 表示公元前44年）、年份标签、日期、主题标签、原文文本、来源文章标题、修订版本 ID、所在章节、来源 URL 等。数据的构建过程完全确定性，没有语言模型参与修改文本，仅用模型对句子进行主题分类（共12个主题标签），因此不会引入额外的错误。主题关联也是基于维基编辑创建的[[维基链接]]，而非推断。数据集适用于问答、文本检索、文本分类、表格问答等任务，尤其适合需要时间推理、溯源检索、知识库增强生成等场景。局限性包括：数据继承了维基百科原有的错误；覆盖范围不均，偏向欧洲和近三个世纪，公元前1000年之前的事件稀疏且往往不精确；仅支持英文。许可证为 CC-BY-SA-4.0，允许商业用途。
slashyear is a structured dataset of historical events, sourced from English Wikipedia articles about years, decades, and centuries, covering all dated historical events from around 3000 BCE to the present. Its core innovation lies in recording the Wikipedia revision ID (source_revid) for each row, making citations traceable and immutable, solving the citation invalidation problem caused by dynamic Wikipedia updates. The dataset consists of four sub-configurations: events (each record corresponds to an event with original text citation), years (each year with its first-paragraph summary), subjects (each subject, e.g., person, place, organization, most with Wikidata QID), and subject_events (connections between subjects and events, supporting subject filtering). The data size ranges from 10,000 to 100,000 entries. Fields include year (astronomical numbering, e.g., -43 for 44 BCE), year label, date, subject label, original text, source article title, revision ID, section, source URL, etc. The construction process is fully deterministic, with no language model modifying text; only a model is used for sentence topic classification (12 topic labels), thus avoiding additional errors. Subject associations are based on [[wikilinks]] created by Wikipedia editors, not inference. The dataset is suitable for QA, text retrieval, text classification, table QA, etc., especially for time reasoning, traceable retrieval, and knowledge base augmented generation. Limitations include inheriting Wikipedia errors, uneven coverage (biased toward Europe and the last three centuries, sparse and imprecise events before 1000 BCE), and English-only support. License: CC-BY-SA-4.0, allowing commercial use.
slashyear 数据集概述
基本信息
- 数据集地址：https://huggingface.co/datasets/realmaud/slashyear
- 许可协议：CC BY-SA 4.0（继承自 Wikipedia，可用于任何用途，包括商业用途和模型训练）
- 语言：英语
- 数据规模：10K < n < 100K
- 数据来源：从英文 Wikipedia 的年份、年代和世纪文章中提取的有日期历史事件，时间跨度约为公元前 3000 年至今
核心特点
每一行数据均携带 source_revid 字段，即该句子所引用的 Wikipedia 具体修订版本的编号。修订编号指向一个不可变的版本，可确保引用的链接长期保持一致，避免 Wikipedia 文章变动导致的引用失效问题。
配置（Configs）
| 配置名 | 单行内容 |
|---|---|
events |
一条带日期的逐字引用事件，附其来源修订号 |
years |
一个年份及其导语摘要 |
subjects |
一个主体（人物、地点、机构），多数带有 Wikidata QID |
subject_events |
联结表：一个（主体, 事件）对 |
字段说明
events
year（天文纪年，-43 表示公元前 44 年）、year_label、date、topic、text、source_title、source_revid、source_section、source_url、page
subjects
slug、label、qid、description、entries、years、first_year、last_year、wikipedia、wikidata、page
带有 qid 的行可与任何以 Wikidata 为键的数据库联结，无需名称匹配。
subject_events
slug、label、qid、year、year_label、date、topic、text、source_revid、source_url
构建方式
- 从固定修订版本的英文 Wikipedia 年份、年代和世纪文章 wikitext 中进行确定性提取，随后进行机械化清洗。
- 没有任何语言模型改动措辞。模型仅执行一项任务：将句子归入十二个主题标签之一，该决策不会改变行的内容。
- 主体关联也非推断得出——主体之所以与事件关联，是因为 Wikipedia 编辑在该日期行内写入了
[[wikilink]]。
局限性
- 继承 Wikipedia 的错误：若其中日期有误，此处同样有误。
- 不继承 Wikipedia 的不稳定性，且因流程中不允许生成文本，故不新增自身错误。
- 覆盖范围受 Wikipedia 年份文章所涵盖内容限制，各时期不均衡，严重偏向欧洲及近三个世纪。
- 约公元前 1000 年之前的条目稀疏且常为近似值。
- 仅限英语。
许可与署名
采用 CC BY-SA 4.0 协议。每行均携带文章标题和修订号，可自动完成署名：
{source_title}, English Wikipedia, revision {source_revid}. {source_url}
其他访问方式
- 在线 API、全文搜索及 MCP 服务器：https://slashyear.com/data
任务类别
- 问答（question-answering）
- 文本检索（text-retrieval）
- 文本分类（text-classification）
- 表格问答（table-question-answering）
标签
history、chronology、timeline、wikipedia、wikidata、knowledge-base、rag、citations、temporal-reasoning、provenance
