“MuCPAD”的版本间的差异

来自SUDA-HLT
跳到导航 跳到搜索
 
（未显示同一用户的8个中间版本）
第36行： 第36行：
  
 
== 开放数据列表 ==
 
== 开放数据列表 ==
 +
News是由CoNLL09和Chinese SemBank组成的
 
{| class="wikitable" style="text-align: center"
 
{| class="wikitable" style="text-align: center"
 
!  !! News!!  PB !! PC !! ZX!!  LAW !! MED
 
!  !! News!!  PB !! PC !! ZX!!  LAW !! MED
 
|-
 
|-
−
| #Sen  || 16,974 || 3,753 || 3,890  || 1575 || 2,813 || 1892  
+
| #Sen  || 16,974 || 3,753 || 3,890  || 1575 || 2,813 || 1,892  
 
|-
 
|-
−
| #Pred || 40,989 || 11,317 || 17,074 || 5,891 || 11,156 || 5624        
+
| #Pred || 40,989 || 11,317 || 17,074 || 5,891 || 11,156 || 5,624        
 +
|}
 +
{| class="wikitable" style="text-align: center"
 +
!  News!! CSB!!  CoNLL09
 +
|-
 +
| #Sen  || 10,292 || 24,458
 +
|-
 +
| #Pred || 24,458 || 16,531     
 +
|}
 +
train/dev/test的分割：
 +
{| class="wikitable" style="text-align: center"
 +
! #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     
 
|}
 
|}
  
第48行： 第66行：
 
* 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。
 
* 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。
 
* 企业界需要有偿购买使用权。
−
* 数据共享协议下载：待定。
+
* 数据共享协议下载：[http://hlt.suda.edu.cn/images/4/44/MuCPAD-sharing-agreement-2023.9-v4.pdf PDF下载链接]。
  
 
== 论文引用 ==
 
== 论文引用 ==

2023年9月6日 (三) 09:01的最新版本

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
取自“http://hlt.suda.edu.cn/index.php?title=MuCPAD&oldid=5113”