Chinese Corpus for Fine-grained Entity Typing

本数据集名为‘中文细粒度实体打标语料库’，由香港科技大学和腾讯科技（深圳）有限公司合作创建。该数据集包含4800条通过众包方式手动标注的实体提及，每个提及均标注有自由形式的实体类型，并进一步分类为10种通用类型。数据集的创建过程涉及从多个来源收集实体提及，并通过众包和远监督方法进行标注。该数据集主要应用于中文细粒度实体打标任务，旨在解决现有数据集主要为英文的问题，提供更细致和全面的实体类型描述。

This dataset is named 'Chinese Fine-grained Entity Tagging Corpus', which was co-created by The Hong Kong University of Science and Technology and Tencent Technology (Shenzhen) Co., Ltd. It contains 4800 manually annotated entity mentions collected via crowdsourcing, where each mention is annotated with free-form entity types and further categorized into 10 general types. The dataset construction process involves collecting entity mentions from multiple sources, and performing annotation through both crowdsourcing and distant supervision methods. This dataset is mainly applied to Chinese fine-grained entity tagging tasks, aiming to address the issue that most existing datasets are primarily in English and provide more detailed and comprehensive entity type descriptions.

搜集汇总

数据集介绍

构建方式

该数据集面向中文细粒度实体类型标注任务，融合了两种互补的构建范式。其一通过众包方式，从Golden Horse、Boson、MSRA及北京大学语料库中提取约4,800个实体提及，涵盖新闻、杂志及社交媒体等多样文本来源，并邀请标注员从约14,000种预定义类型中为每个提及标注最贴合语境的类型，随后由五名审核员验证标注有效性，仅保留超过三分之二认可的类型。其二利用远距离监督，将维基百科中的锚点链接作为实体提及，关联至维基数据，并提取“实例”、“子类”及“职业”等属性作为类型标签，从而构建包含约190万条训练样本的大规模语料库。在此基础上，所有细粒度类型被映射至10个通用类型（如人、组织、地点等），形成层次化类型体系。

特点

该数据集具备显著的类型丰富性与层次化结构，总计涵盖超过7,100种独特细粒度类型，其中众包子集包含约1,300种类型，远距离监督子集则囊括约5,975种类型。每个实体提及的平均细粒度类型数量在众包子集中约为3.1种，在远距离监督子集中约为1.6种，且标注类型均为自由形式，能够灵活捕捉实体的多维度语义特征。此外，数据集通过构建通用类型映射，为细粒度类型提供了高层归纳，便于下游任务灵活选择不同粒度的类型信息。与众包数据的高精度相比，远距离监督数据虽规模庞大但类型标注可能脱离语境，形成一种精度与覆盖率的平衡。

使用方法

该数据集支持多种典型神经实体类型模型的训练与评估，包括基于双向LSTM和BERT的架构。众包标注的4,800条样本可按8:1:1或等比例划分为训练、验证和测试集，而远距离监督数据仅用于模型训练，以扩充训练规模。在训练过程中，可将众包数据与远距离监督数据混合，每个批次中两者数量相等，并采用多任务损失函数，同时优化通用类型与细粒度类型的预测。此外，数据集支持跨语言迁移学习，可先利用英文细粒度实体类型数据（如Ultra-fine Entity Typing数据集）预训练模型，再通过双语词嵌入在中文数据上进行微调，以提升低资源场景下的性能。

背景与挑战

背景概述

细粒度实体类型标注（Fine-grained Entity Typing）是自然语言处理领域一项极具挑战性的任务，旨在为文本中的实体提及赋予诸如“/人物/政治家”、“/组织/公司”等高度细化的类别标签，从而超越传统命名实体识别中仅能提供“人物”、“地点”等粗粒度分类的局限。然而，长期以来，该领域的研究资源高度集中于英文语料，中文环境下的大规模细粒度实体类型数据集几乎处于空白状态。为填补这一缺口，香港科技大学与腾讯科技的研究人员于2020年联合发布了首个面向中文的细粒度实体类型语料库。该数据集通过众包方式标注了4,800个实体提及样本，并辅以远程监督方法构建了包含190万条样本的大规模训练集，累计涵盖超过7,100种独特的实体类型。此外，研究团队还建立了细粒度类型与10个通用类型之间的层级映射关系，为中文自然语言处理领域提供了重要的基础资源。

当前挑战

该数据集所面临的挑战体现在多个层面。在领域问题层面，细粒度实体类型标注的核心难点在于类型空间的开放性：实体提及可被赋予任意数量的自由形式类型短语，而现有模型在预测低频类型时表现欠佳，例如“文化遗产”等罕见类型往往难以被准确识别。同时，标注覆盖的不完整性也是一个突出问题，由于难以对所有实体提及定义“完整”的类型集合，模型在召回率上受到显著制约。在构建过程中，众包标注面临标注者之间对实体类型理解不一致的困境，经统计，每对标注者在验证阶段的平均一致率仅为67.2%。此外，远程监督方法虽然能高效生成大规模数据，但其标注结果无法反映上下文语境，导致每个实体提及通常仅被赋予少于3个细粒度类型，且存在噪声映射问题，需通过人工逐一核查以修正错误。

常用场景

经典使用场景

在自然语言处理领域，细粒度实体类型标注是一项极具挑战性的任务，旨在为文本中的实体提及赋予如“/人物/政治家”、“/组织/公司”等高度具体的语义类别。该中文细粒度实体类型语料库（Chinese Corpus for Fine-grained Entity Typing）为这一任务提供了稀缺的中文资源，其经典使用场景包括基于上下文的实体类型预测，模型需结合句子语境，从开放的类型集合中为提及的实体分配最贴切的标签，从而实现对实体语义的精细化刻画。

实际应用

在实际应用中，该数据集可赋能搜索引擎、智能问答系统与信息抽取平台，使其能够对中文文本中的实体进行更精准的语义分类。例如，在舆情监控中，系统可区分“人物/企业家”与“人物/政治家”；在电商场景中，可识别“品牌/科技公司”与“产品/手机”。此外，该数据集还支持社交媒体内容分析，帮助理解非正式文本中实体的多样角色，提升人机交互的智能化水平。

衍生相关工作

该数据集衍生了一系列相关研究工作，包括基于双向长短期记忆网络（BiLSTM）和BERT的实体类型分类模型，以及结合远程监督与众包标注的混合训练方法。研究者还探索了跨语言迁移学习，利用英文实体类型数据提升中文模型性能。此外，基于该数据集构建的通用类型层次映射，催生了多粒度实体类型联合学习任务，为后续如实体链接、关系抽取等下游任务提供了基础资源与方法借鉴。