cc-by-nc-sa-4.0---annotations_creators:

• machine-generatedlanguage_creators:
• machine-generatedlanguage:
• enmultilinguality:
• monolingualsize_categories:
• unknownsource_datasets:
• originaltask_categories:
• text-retrieval
• text-generationtask_ids: []pretty_name: rebel-datasettags:
• relation-extraction
• conditional-text-generation

REBEL数据集的数据卡

数据集概要

这个数据集是为了从互联维基数据和维基百科中为关系提取创建的，使用NLI进行过滤。

支持的任务和排行榜

• text-retrieval-other-relation-extraction：该数据集可用于训练关系提取模型，该模型用于从原始文本中提取由主题、对象和关系类型组成的三元组。该任务的成功通常通过实现高的 F1 来衡量。目前， BART 模型的得分如下：对于最常见的220种关系类型，Micro F1为74，Macro F1为51。

语言

该数据集是英文数据集，来自英文维基百科。

数据集结构

数据实例

REBEL

• 下载的数据集文件大小：1490.02 MB
• 生成的数据集大小：1199.27 MB
• 总计使用的磁盘量：2689.29 MB

{
  'id': 'Q82442-1',
  'title': 'Arsène Lupin, Gentleman Burglar',
  'context': 'Arsène Lupin , Gentleman Burglar is the first collection of stories by Maurice Leblanc recounting the adventures of Arsène Lupin , released on 10 June 1907 .',
  'triplets': '<triplet> Arsène Lupin, Gentleman Burglar <subj> Maurice Leblanc <obj> author <triplet> Arsène Lupin <subj> Maurice Leblanc <obj> creator'
}

原始数据以jsonl格式存在，并包含更多信息。它按维基百科文章进行划分，而不是按句子划分，并包含有关维基数据实体的元数据、它们在文本中的边界、如何进行注释等等的信息。有关更多信息，请参考 paper repository 和使用关系提取数据集流水线生成的方式， cRocoDiLe 。

数据字段

列出并描述数据集中存在的字段。提到它们的数据类型，并说明它们是否在数据集当前支持的任何任务的输入或输出中使用。如果数据有跨度索引，描述它们的属性，例如它们是在字符级还是词级，它们是否是连续的等等。如果数据集包含示例ID，请说明它们是否具有固有含义，例如与其他数据集的映射或数据点之间的关系。

• id：实例的ID。它包含与维基百科页面匹配的唯一ID，并由一个连字符分隔的数字表示，指示它是维基百科文章的哪个句子。
• title：该句子所属的维基百科页面的标题。
• context：用作关系提取任务上下文的维基百科文章的文本。
• triplets：文本中存在的三元组的线性化版本，以特殊标记的使用进行拆分。有关此线性化的更多信息，请参阅 paper 。

数据拆分

测试和验证拆分分别占原始数据的5%。

提供每个拆分的大小。根据需要，提供特征的任何描述性统计信息，如平均长度。例如：

数据集创建

策划理由

创建此数据集是为了实现基于BART的模型的预训练阶段，用于关系提取，如论文 REBEL: Relation Extraction By End-to-end Language generation 中所述。

源数据

数据来自维基百科文本，在目录表之前，以及维基数据用于三元组注释。

数据收集使用 cRocoDiLe: Automati c R elati o n Extra c ti o n D ataset w i th N L I filt e ring 的数据集提取流水线，受到 T-REx Pipeline 的启发，更多细节请参见： T-REx Website 。起点是维基百科和维基数据的转储。

在提取出三元组之后，使用NLI系统过滤掉那些不由文本所导致的三元组。

任何维基百科和维基数据的贡献者。

注释

数据集提取流水线 cRocoDiLe: Automati c R elati o n Extra c ti o n D ataset w i th N L I filt e ring 。

自动标注。

个人和敏感信息

所有文本来自维基百科，其中可能存在个人或敏感信息。

使用数据的注意事项

数据的社会影响

该数据集用作关系提取模型的预训练步骤。它是以远程方式进行注释的，因此只能用于此目的。仅使用该数据集训练的模型可能会产生幻觉，这是由于数据集的银色属性。

偏见讨论

由于该数据集是从维基百科和维基数据自动创建的，因此可能反映了这些来源中的偏见。

对于维基百科的文本，可以参考 Dinan et al 2020 on biases in Wikipedia (esp. Table 1) 进行了解，或者可以参考 Blodgett et al 2020 进行更全面的讨论。

对于维基数据，由于维基百科的原因，存在类别不平衡问题。

其他已知限制

目前没有。

附加信息

数据集策划者

Pere-Lluis Huguet Cabot - Babelscape和Sapienza罗马大学，意大利Roberto Navigli - Sapienza罗马大学，意大利

许可信息

该存储库的内容仅限于非商业研究目的，根据 Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0) 限制。数据集内容的版权属于原版权持有人。

引用信息

提供数据集的 BibTex 格式化参考。例如：

@inproceedings{huguet-cabot-navigli-2021-rebel,
title = "REBEL: Relation Extraction By End-to-end Language generation",
author = "Huguet Cabot, Pere-Llu{\'\i}s  and
    Navigli, Roberto",
booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2021",
month = nov,
year = "2021",
address = "Online and in the Barceló Bávaro Convention Centre, Punta Cana, Dominican Republic",
publisher = "Association for Computational Linguistics",
url = "https://github.com/Babelscape/rebel/blob/main/docs/EMNLP_2021_REBEL__Camera_Ready_.pdf",
}

贡献

感谢 @littlepea13 添加此数据集。