数据集"kbp37"的数据集卡片

数据集摘要

KBP37是Gabor Angeli等人提供的MIML-RE注释数据集的修订版（2014年）。他们使用2010年和2013年KBP官方文件集合以及2013年7月维基百科的转储作为注释的文本语料库。共注释了33811个句子。Zhang和Wang进行了几项改进：

KBP37包含18个有向关系和一个额外的'no_relation'关系，共37个关系类别。

注：

• 有一个可以通过datasets.load_dataset('kbp37', name='kbp37_formatted')加载的格式化版本。此版本使用str.split()进行分词，并提供实体作为偏移量，而不是由xml标签括起来。然而，它丢弃了一些在原始数据集中无效的示例，并导致实体偏移错误，例如示例train/1276。

支持的任务和排行榜

More Information Needed

语言

KBP37中的语言数据为英文（BCP-47 en）

数据集结构

数据实例

• 下载的数据集文件大小：5.11 MB
• 生成的数据集大小：4.7 MB 'train'的一个示例如下所示：

{
  "id": "0",
  "sentence": "<e1> Thom Yorke </e1> of <e2> Radiohead </e2> has included the + for many of his signature distortion sounds using a variety of guitars to achieve various tonal options .",
  "relation": 27
}

• 下载的数据集文件大小：5.11 MB
• 生成的数据集大小：6.58 MB 'train'的一个示例如下所示：

{
  "id": "1",
  "token": ["Leland", "High", "School", "is", "a", "public", "high", "school", "located", "in", "the", "Almaden", "Valley", "in", "San", "Jose", "California", "USA", "in", "the", "San", "Jose", "Unified", "School", "District", "."],
  "e1_start": 0,
  "e1_end": 3,
  "e2_start": 14,
  "e2_end": 16,
  "relation": 3
}

数据字段

• id：句子的实例ID，字符串特征。
• sentence：句子，字符串特征。
• relation：该实例的关系标签，整数分类标签。

{"no_relation": 0, "org:alternate_names(e1,e2)": 1, "org:alternate_names(e2,e1)": 2, "org:city_of_headquarters(e1,e2)": 3, "org:city_of_headquarters(e2,e1)": 4, "org:country_of_headquarters(e1,e2)": 5, "org:country_of_headquarters(e2,e1)": 6, "org:founded(e1,e2)": 7, "org:founded(e2,e1)": 8, "org:founded_by(e1,e2)": 9, "org:founded_by(e2,e1)": 10, "org:members(e1,e2)": 11, "org:members(e2,e1)": 12, "org:stateorprovince_of_headquarters(e1,e2)": 13, "org:stateorprovince_of_headquarters(e2,e1)": 14, "org:subsidiaries(e1,e2)": 15, "org:subsidiaries(e2,e1)": 16, "org:top_members/employees(e1,e2)": 17, "org:top_members/employees(e2,e1)": 18, "per:alternate_names(e1,e2)": 19, "per:alternate_names(e2,e1)": 20, "per:cities_of_residence(e1,e2)": 21, "per:cities_of_residence(e2,e1)": 22, "per:countries_of_residence(e1,e2)": 23, "per:countries_of_residence(e2,e1)": 24, "per:country_of_birth(e1,e2)": 25, "per:country_of_birth(e2,e1)": 26, "per:employee_of(e1,e2)": 27, "per:employee_of(e2,e1)": 28, "per:origin(e1,e2)": 29, "per:origin(e2,e1)": 30, "per:spouse(e1,e2)": 31, "per:spouse(e2,e1)": 32, "per:stateorprovinces_of_residence(e1,e2)": 33, "per:stateorprovinces_of_residence(e2,e1)": 34, "per:title(e1,e2)": 35, "per:title(e2,e1)": 36}

• id：句子的实例ID，字符串特征。
• token：该句子的token列表，使用str.split()，一系列字符串特征。
• e1_start：第一个参数开始的基于0的索引，整数特征。
• e1_end：第一个参数结束的基于0的索引（不含），整数特征。
• e2_start：第二个参数开始的基于0的索引，整数特征。
• e2_end：第二个参数结束的基于0的索引（不含），整数特征。
• relation：该实例的关系标签，整数分类标签（与'kbp37'相同）。

数据拆分

数据集创建

策展理由

More Information Needed

源数据

More Information Needed

More Information Needed

注释

More Information Needed

More Information Needed

个人和敏感信息

More Information Needed

使用数据的注意事项

数据的社会影响

More Information Needed

偏见讨论

More Information Needed

其他已知限制

More Information Needed

其他信息

数据集策展人

More Information Needed

许可信息

More Information Needed

引用信息

@article{DBLP:journals/corr/ZhangW15a,
  author    = {Dongxu Zhang and
               Dong Wang},
  title     = {Relation Classification via Recurrent Neural Network},
  journal   = {CoRR},
  volume    = {abs/1508.01006},
  year      = {2015},
  url       = {http://arxiv.org/abs/1508.01006},
  eprinttype = {arXiv},
  eprint    = {1508.01006},
  timestamp = {Fri, 04 Nov 2022 18:37:50 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/ZhangW15a.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

贡献

感谢 @phucdev 添加此数据集。