DuIE 大規模中国語情報抽出データセット

DuIE は、アーキテクチャベースの知識抽出アルゴリズムを評価するために使用できる、人間が注釈を付けた大規模なデータセットです。

データセットには、事前に指定された構造と 49 種類の述語で構成される 450,000 を超える SPO トリプル (つまり、主語-述語-目的語トリプル) が含まれる 210,000 を超える実際の中国語文が含まれています。

このデータセット内のすべての文は、Baidu Encyclopedia と Baidu News Search から抽出されたものです。このデータセット内のテキストは、ニュース、エンターテイメント、ユーザー生成コンテンツなど、現実世界のアプリケーションのさまざまな領域をカバーしています。

データセットは次のデータで構成されます。

• 214,590 文、そのうち:
  • 172,983 文がトレーニング セットです。
  • 21,626 文が開発セットです。
  • 19,981 文がテストセットです。
• 457,866 件のインスタンス、そのうち:
  • 363,960 のインスタンスがトレーニング セットです。
  • 45,558 個のインスタンスが開発セットに含まれています。
  • 48,348 インスタンスがテスト セットです。

データ例: