philippelaban/hlgd

HLGD是一个二分类数据集，包含20,056个标记的新闻标题对，用于判断两个标题是否描述同一事件。数据集分为训练集、验证集和测试集（60-20-20）。数据集支持三个挑战任务：仅使用标题文本、使用标题和发布日期、使用标题、发布日期以及其他相关元数据进行预测。数据集由专家生成，语言为英语，包含10个新闻时间线，每个时间线包含80到300篇新闻文章。数据集的目标是促进展示多样化新闻报道的应用程序的开发。

HLGD is a binary classification dataset containing 20,056 labeled news headline pairs, designed to determine whether two headlines describe the same event. The dataset is split into training, validation, and test sets with a 60-20-20 split ratio. It supports three challenging tasks: prediction using only headline text, prediction using headlines and their publication dates, and prediction using headlines, publication dates, and other relevant metadata. The dataset is expert-generated, in English, and includes 10 news timelines, each containing 80 to 300 news articles. The goal of this dataset is to facilitate the development of applications that showcase diverse news coverage.

原始信息汇总

数据集概述

基本信息

• 数据集名称: Headline Grouping (HLGD)
• 语言: 英语
• 许可证: Apache 2.0
• 数据集大小: 10K<n<100K
• 多语言性: 单语种
• 源数据: 原始数据
• 任务类别: 文本分类

数据集结构

特征

• timeline_id: 时间线索引，值为0到9
• headline_a, headline_b: 比较的两个新闻标题
• date_a, date_b: 新闻标题的发布日期，格式为YYYY-MM-DD
• url_a, url_b: 新闻标题的原始URL
• label: 标签，1表示两个标题描述同一事件，0表示不同事件

数据分割

• 训练集: 15,492个样本
• 验证集: 2,069个样本
• 测试集: 2,495个样本

数据集创建

数据收集与规范化

• 数据来自NewsLens项目，选择了10个主题多样的新闻时间线，每个时间线包含80到300篇新闻文章。

标注过程

• 每个时间线由5名独立标注者进行标注，最终合并为一个全局组ID。
• 标注者包括论文作者和8名Upwork平台上的众包工作者，这些工作者是母语为英语且有校对或数据录入经验的人。

使用注意事项

数据集的社会影响

• 该数据集旨在促进展示多样新闻覆盖的应用程序。

数据集的偏见

• 标注者偏见：10名标注者参与了数据集的创建，他们的观点和视角影响了数据集的创建。
• 主题偏见：数据集包含来自不同主题（如太空、科技、政治等）的新闻标题。
• 来源选择偏见：数据集包含33个英语新闻来源，这些来源的选择影响了时间线和整体数据集的内容。
• 时间范围偏见：选择的时间线范围从2010年到2020年，这影响了新闻标题的语言和风格。

其他已知限制

• 对于新闻标题分组的任务，标注者间的一致性较高（0.814），但并非完美。某些标题分组的决定是主观的，取决于读者的解释。

附加信息

数据集创建者

• 数据集最初由Philippe Laban, Lucas Bandarkar和Marti Hearst在UC Berkeley创建。

许可证信息

• 数据集仅分发标题、URL和发布日期。用户可以通过查询URL获取额外的信息（如文章内容、作者等）。

引用信息

@inproceedings{Laban2021NewsHG, title={News Headline Grouping as a Challenging NLU Task}, author={Laban, Philippe and Bandarkar, Lucas and Hearst, Marti A}, booktitle={NAACL 2021}, publisher = {Association for Computational Linguistics}, year={2021} }