Ensemble De Données D'idiomes Chinois À Grande Échelle ChID

En raison du manque de corpus riches, la recherche sur la compréhension de lecture basée sur des trous chinois est encore limitée. ChID (Chinese IDiom Dataset) est un ensemble de données de test de vocabulaire chinois à grande échelle utilisé pour étudier la compréhension des idiomes, un phénomène linguistique unique en chinois. Dans ce corpus, les idiomes des articles sont remplacés par des symboles vides, et les réponses correctes doivent être sélectionnées parmi des idiomes candidats soigneusement conçus.

L'ensemble de données contient 581 000 paragraphes et 729 000 blancs et couvre plusieurs domaines. Dans ChID, les idiomes dans les paragraphes sont remplacés par des espaces. Pour chaque espace vide, une liste d'idiomes candidats incluant l'idiome d'or est fournie comme choix.