ChID 大規模中国語熟語データセット

豊富なコーパスが不足しているため、中国語の文章読解に関する研究はまだ限られています。 ChID (正式名称 Chinese Idiom Dataset) は、中国語特有の言語現象であるイディオムの理解を研究するために使用される大規模な中国語クローゼ テスト データ セットです。このコーパスでは、記事中の熟語が空白記号に置き換えられており、慎重に設計された候補熟語の中から正解を選択する必要があります。

データセットには 581K の段落と 729K の空白が含まれており、複数のドメインをカバーしています。 ChID では、段落内のイディオムは空白記号に置き換えられます。ギャップごとに、ゴールデン イディオムを含む候補イディオムのリストが選択肢として提供されます。