MusicBrainz20K

用于实体解析和实体聚类的 MusicBrainz20K 数据集基于 MusicBrainz 数据库中关于歌曲的真实记录。每条记录都使用以下属性进行描述：艺术家、标题、专辑、年份和长度。记录已使用 DAPO [1] 数据生成器进行了修改。生成的数据集由五个来源和大约 20K 条记录组成，描述了 10K 个独特的歌曲实体。它包含两到五个来源中 50% 的原始记录的重复项，这些记录是高度损坏生成的，以对实体解析和聚类方法进行压力测试。 [1] 希尔德布兰特、凯等人。 “使用 Apache Spark 进行大规模数据污染。” IEEE 大数据交易 6.2（2017）：396-411。