“MuCPAD”的版本间的差异
跳到导航
跳到搜索
（→开放数据列表） |
（→数据共享） |
||
| （未显示同一用户的7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 || | + | | #Sen || 16,974 || 3,753 || 3,890 || 1575 || 2,813 || 1,892 |
|- | |- | ||
| − | | #Pred || 40,989 || 11,317 || 17,074 || 5,891 || 11,156 || | + | | #Pred || 40,989 || 11,317 || 17,074 || 5,891 || 11,156 || 5,624 |
|} | |} | ||
{| class="wikitable" style="text-align: center" | {| class="wikitable" style="text-align: center" | ||
| − | ! !! CSB!! CoNLL09 | + | ! News!! CSB!! CoNLL09 |
|- | |- | ||
| − | | #Sen || | + | | #Sen || 10,292 || 24,458 |
|- | |- | ||
| #Pred || 24,458 || 16,531 | | #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 | ||
| + | |} | ||
== 数据共享 == | == 数据共享 == | ||
| 第56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：[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