TypicaAI/MedicalNER_Fr

MedicalNER_Fr数据集专门用于训练法语医疗和健康领域的命名实体识别（NER）模型。该数据集源自Multilingual Complex Named Entity Recognition (MultiCoNER)数据集，并经过过滤以仅包含与医疗领域相关的法语条目。非医疗标签被聚合为更广泛的类别。数据集包含样本ID、词汇、NER标签、文本和NER标签跨度等字段。数据集的创建目的是教育用途，建议在使用前对不平衡的数据集进行平衡处理。

原始信息汇总

数据集概述

数据集描述

名称: MedicalNER_Fr
语言: 法语
许可: Creative Commons license family
多语言性: 单语种
大小类别: 10K<n<100K
任务类别:

• 词性标注
• 命名实体识别

标签:

• 医学
• 命名实体识别

数据集结构

特征

1. sample_id: 每个样本的UUID。
2. tokens: 句子中的词列表。
3. ner_tags: 与每个词对应的命名实体识别标签列表。
4. text: 由词组合而成的文本。
5. ner_tags_span: 命名实体识别标签的跨度列表，每个跨度包含：
   • 命名实体标签（实体类型）。
   • 实体在文本中的起始位置。
   • 实体在文本中的结束位置。

数据分割

• 训练集:
  • 样本数: 16176
  • 字节数: 7080146

标签统计

• AnatomicalStructure: 4685
• Disease: 4658
• Medication/Vaccine: 4226
• MedicalProcedure: 3170
• Symptom: 1763
• LOC: 525
• PER: 521
• PROD: 305
• CW: 167
• ORG: 83
• GRP: 14

数据集示例

json { "sample_id": "60a82e36-4d34-4e16-aadc-2078699476f7", "tokens": ["jonas", "salk", "médecin", "m.d.", "1938", "et", "inventeur", "du", "vaccin", "contre", "la", "poliomyélite", "."], "ner_tags": ["B-PER", "I-PER", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-Disease", "O"], "text": "jonas salk médecin m.d. 1938 et inventeur du vaccin contre la poliomyélite .", "ner_tags_span": "[[PER, 0, 10], [Disease, 62, 74]]" }