gcaillaut/enwiki_el

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。

This dataset is designed for training entity linking (EL) systems to detect named entities by leveraging hyperlinks within Wikipedia articles. The dataset structure comprises the article title, the corresponding Wikidata entity QID, the tokenized text of the article, the Wikipedia description of each entity, NER tags, the Wikipedia title of each entity, and the QID of each entity.

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"。