gcaillaut/enwiki_el|自然语言处理数据集|实体链接数据集

该数据集旨在用于训练实体链接（EL）系统，利用维基百科文章中的链接来检测命名实体。数据集的结构包括文章的标题、对应的Wikidata实体QID、文章文本的分词、每个实体的维基百科描述、NER标签、每个实体的维基百科标题和每个实体的QID。

原始信息汇总

数据集概述

基本信息

• 名称: test
• 语言: 英语 (en-EN)
• 许可证: WTFPL
• 多语言性: 单语种
• 数据来源: 原始数据
• 任务类别: 其他
• 大小: 未知

数据集描述

• 目的: 用于训练实体链接（Entity Linking, EL）系统。
• 内容: 使用维基百科文章中的链接来检测命名实体。

数据集结构

数据集包含以下字段：

• title: 页面标题
• qid: 对应Wikidata实体的QID
• words: 文章文本，按空格分割的词条
• wikipedia: 每个实体的维基百科描述
• labels: 实体的NER标签，使用IOB编码
• titles: 每个实体的维基百科标题
• qids: 每个实体的QID

每个字段中的数据仅在words字段中的相应词条是实体的起始时存在。如果实体跨越多词，则只有起始词的索引包含数据。labels字段用于界定实体，非实体词条标记为"O"，实体起始词标记为"B"，其他词标记为"I"。