luheng/qa_srl

QA-SRL数据集通过一组问答对来建模句子的谓词-论元结构。该方法允许大规模标注训练数据，并侧重于语义而非句法标注。数据集包含句子、句子ID、谓词索引、谓词、问题和答案等字段，分为训练集、验证集和测试集。数据集仅包含Wikipedia数据，注释过程由非专家注释者完成。

原始信息汇总

数据集概述

数据集基本信息

• 名称: QA-SRL
• 语言: 英语
• 许可证: 未知
• 多语言性: 单语
• 大小: 10K<n<100K
• 源数据集: 原始
• 任务类别: 问答
• 任务ID: 多选题问答, 开放领域问答
• 论文代码ID: qa-srl
• 美观名称: QA-SRL

数据集结构

数据实例

• 模型: 使用问答对来模拟句子中的动词谓词-论元结构。
• 示例: 每个实例包含谓词、问题和答案。

数据字段

• sentence: 字符串类型，包含分词后的句子。
• sent_id: 字符串类型，句子标识符。
• predicate_idx: 整数类型，谓词在句子中的位置。
• predicate: 字符串类型，谓词词条。
• question: 序列字符串类型，包含问题，问题由七个槽位组成，空槽位用“_”表示。
• answers: 序列字符串类型，包含问题的答案。

数据分割

• 训练集: 6414个实例，1835549字节。
• 验证集: 2183个实例，632992字节。
• 测试集: 2201个实例，637317字节。
• 总下载大小: 1087729字节。
• 数据集总大小: 3105858字节。

数据集创建

注释过程

• 注释者: 10名兼职非专家注释者。
• 筛选过程: 注释者通过简短教程和样本注释进行筛选，整个过程不超过2小时。

源数据

• 数据收集: 共注释了超过3000个句子，近8000个动词，涵盖新聞和维基百科两个领域。

搜集汇总

背景与挑战

背景概述

QA-SRL数据集通过问答对建模句子谓词-论元结构，专注于语义标注，包含英语文本，规模在10K到100K之间。数据集分为新闻专线和维基百科两个领域，但仅维基百科数据可用，标注由非专业标注员完成。