cjvt/gkomet

G-KOMET 1.0 是一个包含斯洛文尼亚口语中隐喻表达的语料库，涵盖了约50,000个词汇单位，分布在5695个句子中。该语料库包含来自斯洛文尼亚口语GOS语料库的样本，并包括信息性、教育性、娱乐性、私人和公共话语的平衡转录集。语料库还标注了成语和转喻，这些都被标注为隐喻类型。数据集的结构包括文档名称、句子索引、段落索引、句子中的单词、隐喻类型和隐喻框架等信息。G-KOMET 1.0 is a corpus of metaphorical expressions in Slovenian spoken language, containing approximately 50,000 lexical units distributed across 5,695 sentences. This corpus is sampled from the Slovenian spoken GOS corpus, and includes a balanced transcribed set of informative, educational, entertaining, private and public discourses. The corpus is further annotated with idioms and metonymies, all categorized under metaphor types. The structure of the dataset encompasses document name, sentence index, paragraph index, words within the sentence, metaphor type and metaphor frame, as well as other relevant information.

原始信息汇总

数据集概述

数据集名称

G-KOMET 1.0

数据集描述

G-KOMET 1.0 是一个包含在斯洛文尼亚口语中的隐喻表达的语料库，涵盖约50,000个词汇单位，分布在5695个句子中。该语料库从Gos斯洛文尼亚口语语料库中抽样，包含信息性、教育性、娱乐性、私人及公共话语的平衡转录集合。

数据集特点

• 包含隐喻、转喻和隐喻框架的标注。
• 与KOMET数据集的标注方式不同，本数据集将隐喻和转喻均视为隐喻类型。

支持的任务

• 隐喻检测
• 转喻检测
• 隐喻类型分类
• 隐喻框架分类

语言

斯洛文尼亚语

数据集结构

数据实例

每个实例包含以下字段：

• document_name: 文档名称
• idx: 句子在文档中的索引
• idx_paragraph: 段落在文档中的索引
• idx_sentence: 句子在段落中的索引
• sentence_words: 句子中的单词
• met_type: 句子中的隐喻类型及词索引
• met_frame: 句子中的隐喻框架及词索引

数据集创建

数据集包含从GOS斯洛文尼亚口语语料库中抽样的样本，并包含手动标注的隐喻相关词汇、习语和转喻表达。

许可证

CC BY-NC-SA 4.0

引用信息

@InProceedings{antloga2022gkomet, title = {Korpusni pristopi za identifikacijo metafore in metonimije: primer metonimije v korpusu gKOMET}, author={Antloga, v{S}pela}, booktitle={Proceedings of the Conference on Language Technologies and Digital Humanities (Student papers)}, year={2022}, pages={271-277} }

搜集汇总

数据集介绍

构建方式

G-KOMET 1.0数据集以斯洛文尼亚语口语语料库Gos为基石，精心筛选了涵盖信息、教育、娱乐、私人与公共话语等领域的5695个句子，共计约五万个词汇单元。该数据集由领域专家手工标注，聚焦于隐喻相关词汇、习语及转喻表达，其中习语与转喻被统一归类为隐喻类型，而非如KOMET数据集那般视为框架类别，这一设计保留了原始数据的自然形态，赋予研究者灵活的处理空间。

特点

该数据集的核心特色在于其多维度标注体系，每个句子不仅包含词汇序列，还详细记录了隐喻类型（如间接隐喻词MRWi）与隐喻框架（如空间取向spatial_orientation），并通过词索引精确定位标注单元。这种结构兼顾了隐喻检测、类型分类与框架分类任务，同时覆盖转喻与习语识别，为计算隐喻研究提供了丰富的细粒度信息。数据来源的平衡性确保了不同语体风格的覆盖，增强了模型的泛化能力。

使用方法

研究者可通过HuggingFace平台直接加载数据集，利用其预定义的字段（如sentence_words、met_type、met_frame）开展序列标注或分类任务。建议针对隐喻与转喻的合并标注特性，设计相应的标签映射策略，例如将习语视为多词隐喻单元处理。数据以JSON格式组织，每一条目包含文档索引与段落位置信息，便于进行跨文档或跨上下文的上下文建模。训练时可结合斯洛文尼亚语预训练语言模型，如SloBERTa，以提升隐喻识别的语义理解能力。

背景与挑战

背景概述

G-KOMET 1.0语料库由Špela Antloga于2022年创建，专注于斯洛文尼亚语口语中的隐喻表达研究。该数据集从GOS口语语料库中精选了5695个句子，涵盖约50,000个词汇单元，并平衡收录了信息性、教育性、娱乐性、私人与公共话语等多元语域。其核心研究问题在于系统标注隐喻相关词汇、习语及转喻表达，为计算隐喻识别提供高质量标注资源。作为斯洛文尼亚语自然语言处理领域的重要里程碑，G-KOMET不仅填补了非英语语言隐喻语料库的空白，还通过细粒度的隐喻类型与框架标注，推动了多语言隐喻检测技术的跨语种适配与理论验证。

当前挑战

G-KOMET面临的挑战首先体现在领域问题的复杂性上：隐喻与转喻的边界模糊性导致标注一致性难以保证，尤其是习语被归为隐喻类型的特殊处理方式，可能引发模型分类歧义。其次，构建过程中需解决口语语料的特有难题，如非规范语法结构、语音转录误差以及上下文依赖性强等问题，增加了标注者判断隐喻意图的难度。此外，斯洛文尼亚语作为低资源语言，缺乏大规模预训练模型的支持，使得基于该数据集的隐喻检测任务在特征提取与泛化能力上面临显著瓶颈，进而制约了其在跨语言比较研究中的适用性。

常用场景

经典使用场景

在自然语言处理与认知语言学交叉领域，G-KOMET数据集为隐喻与转喻的自动检测提供了珍贵的标注资源。该数据集涵盖斯洛文尼亚语口语语料，包含约5万词汇单元及5695个句子，并细致标注了隐喻相关词汇、习语和转喻表达。研究者常利用其丰富的标签体系，开展隐喻类型分类、隐喻框架识别及多词表达检测等序列标注任务，为理解语言中概念映射的计算机建模奠定数据基础。

实际应用

在实际应用中，G-KOMET助力于智能对话系统中的情感分析与语义理解，通过识别隐喻性表达提升机器对口语中隐含意图和情感色彩的捕捉精度。此外，其在教育技术领域可用于自动评估语言学习者的修辞能力，在媒体分析中辅助检测政治或商业话语中的说服性隐喻策略，为舆情监控与跨文化沟通研究提供技术支撑。

衍生相关工作

基于G-KOMET，衍生出一系列面向斯洛文尼亚语的隐喻检测基线模型与框架，如结合预训练词向量与条件随机场的分类器。该数据集还催生了针对隐喻-转喻混合标注的消歧研究，并启发了多任务学习范式在修辞识别中的应用。其标注体系被后续的KOMET系列数据集所借鉴，推动了以框架语义学为核心的隐喻计算建模在巴尔干语言区域的扩展。