本页面由刘亚慧和杨浩苹同学维护。
多领域汉语谓词论元数据集（Multi-Domain Chinese Predicate-Argument Dataset)
标注人员培训流程
招聘信息（长期、寒暑假兼职）
培训经验
- 定期招新，形成稳定的高质量标注人员更迭。
- 招新时，全面介绍标注工作内容，说明标注工作的优势，提高标注工作的兼职竞争力。
- 提高入职门槛，聘用经面试了解较为适合标注工作的人员，培训时增加高正确率标注人员分享经验的环节，不断更新培训PPT。
- 公开所有标注人员的标注明细，形成良好的竞争监督机制。
- 精简标注人员，过滤标注时间不够或标注准确率太低超过两次的人员。
- 一起认真维护、完善规范，认真培训，认真审核和投诉，给出审核和投诉意见。
标注规范
已标注数据列表（K表示1000）
- 共10.3+6.7+3.8+3.9+1.6+2.8+2+1.8+1.8=34.7K个句子；16.5+24.5+11.3+17.1+5.9+12.1+6.5+4.1+5.2=103.2K个谓词
- Peking (10.3K句，共16.5K个谓词)
- CoNLL09 (6.7K句，共24.5K个谓词)
- PB (3.8K句，共11.3K个谓词)
- PC (3.9K句，共17.1K个谓词)
- ZX (1.6K句，共5.9K个谓词)
- 法研杯(LAW) (2.8K句，共12.1K个谓词)
- Medicine(MED) (2K句，共6.5K个谓词)
- Sports(1.8K句，共4.1K个谓词）
- Finance(1.8K句，共5.2K个谓词）
开放数据列表
News是由CoNLL09和Chinese SemBank组成的
|
News |
PB |
PC |
ZX |
LAW |
MED
|
| #Sen |
16,974 |
3,753 |
3,890 |
1575 |
2,813 |
1,892
|
| #Pred |
40,989 |
11,317 |
17,074 |
5,891 |
11,156 |
5,624
|
| News |
CSB |
CoNLL09
|
| #Sen |
10,292 |
24,458
|
| #Pred |
24,458 |
16,531
|
train/dev/test的分割：
| #Pred/#Sent |
Source |
PB |
PC |
ZX |
LAW |
MED
|
| #train |
32,790 / 13,022 |
- |
- |
- |
- |
-
|
| #dev |
4,098 / 1,875 |
3,796 / 1,255 |
5,658 / 1,295 |
1,784 / 492 |
3,718 / 778 |
1,874 / 478
|
| #test |
4,101 / 2,077 |
7,521 / 2,498 |
11,416 / 2,595 |
4,107 / 1,083 |
7,438 / 2,035 |
3,750 / 1,414
|
数据共享
- 大部分数据向学术界免费共享，支持研究使用。少数数据由于项目或合同约束，需要延迟一些时间后向学术界共享。
- 企业界需要有偿购买使用权。
- 数据共享协议下载：PDF下载链接。
论文引用
- 刘亚慧,杨浩苹,李正华,张民. 一种轻量级的汉语语义角色标注规范[J]. 中文信息学报, 2020, 34(4): 10-20. pdf
- Yahui Liu, Haoping Yang, Chen Gong*, Qingrong Xia, Zhenghua Li, Min Zhang. 2022. MuCPAD: A Multi-Domain Chinese Predicate-Argument Dataset. In NAACL, pages 1707-1717. arxivofficial pdf