DuIE est un ensemble de données annotées manuellement à grande échelle qui peut être utilisé pour évaluer les algorithmes d'extraction de connaissances basés sur l'architecture.

L'ensemble de données contient plus de 210 000 phrases chinoises réelles, impliquant plus de 450 000 triplets SPO (c'est-à-dire des triplets Sujet-Prédicat-Objet), constitués d'une structure prédéfinie et de 49 prédicats.

Toutes les phrases de cet ensemble de données sont extraites de l'encyclopédie Baidu et de la recherche d'actualités Baidu. Les textes de cet ensemble de données couvrent divers domaines présents dans les applications du monde réel, tels que les actualités, le divertissement et le contenu généré par les utilisateurs.

L'ensemble de données comprend les données suivantes :

• 214 590 peines, dont :
  • 172 983 phrases sont utilisées comme ensemble d’entraînement ;
  • 21 626 phrases sont destinées à l'ensemble de développement ;
  • 19 981 phrases sont utilisées comme ensemble de test.
• 457 866 cas, dont :
  • 363 960 instances sont un ensemble d’entraînement ;
  • 45 558 instances sont en cours de développement ;
  • 48 348 instances sont dans l'ensemble de test.

Exemple de données :