fewshot-goes-multilingual/cs_czech-named-entity-corpus_2.0

该数据集包含捷克语句子和标注的命名实体。总句子数约为9,000，总实体数约为34,000（总数为训练集、验证集和测试集的总和）。每个样本包含源句子和选定的实体列表。每个实体包含类别ID、类别名称（捷克语）、实体在句子中的起始和结束位置、实体内容、实体ID和父实体ID（如果实体嵌套在另一个实体中）。数据集是对现有CNEC 2.0数据集的预处理改编，移除了某些未记录或语义意义较小的实体类别。类别名称由捷克语母语者根据可用文档和数据中的多个实例添加。

原始信息汇总

数据集概述：Czech Named Entity Corpus 2.0

数据集描述

• 语言: 捷克语
• 数据集大小: 约9,000个句子，约34,000个实体
• 许可证: CC-BY-NC-SA-3.0
• 多语言性: 单语种
• 任务类别: 词元分类
• 任务ID: 命名实体识别

数据集特征

• 样本包含:
  • text: 源句子
  • entities: 选定实体列表，每个实体包含:
    • category_id: 实体类别的字符串标识符
    • category_str: 捷克语中的人类友好类别名称（口头表达）
    • start: 实体在源句子中开始位置的索引
    • end: 实体在源句子中结束位置的索引
    • content: 实体内容，由text[start:end]创建
    • entity_id: 唯一实体字符串标识符
    • parent_id: 如果实体被选中在另一个实体内部，parent_id是父实体的标识符；否则为None

实体类别

• 识别的实体:
  • 例如: A: číslo v adrese / kontaktním údaji
  • 完整列表见原始README文件

数据集来源

• 源数据集: CNEC 2.0
• 预处理: 数据格式转换，移除了部分无文档或语义意义较小的实体类别
• 类别名称: 由捷克语母语者添加，基于数据和文档

引用信息

• 引用原始数据集: bibtex @misc{11858/00-097C-0000-0023-1B22-8, title = {Czech Named Entity Corpus 2.0}, author = {{v S}ev{v c}{{i}}kov{a}, Magda and {v Z}abokrtsk{y}, Zden{v e}k and Strakov{a}, Jana and Straka, Milan}, url = {http://hdl.handle.net/11858/00-097C-0000-0023-1B22-8}, note = {{LINDAT}/{CLARIAH}-{CZ} digital library at the Institute of Formal and Applied Linguistics ({{U}FAL}), Faculty of Mathematics and Physics, Charles University}, copyright = {Attribution-{NonCommercial}-{ShareAlike} 3.0 Unported ({CC} {BY}-{NC}-{SA} 3.0)}, year = {2014} }