Nlpcc-2019-shared-task-Readme

train_dev_unlabeled_2019.4.2压缩文件

该压缩文件中包括Unlabeled、Train、Dev三个文件夹且所有数据文件为“CoNLL”格式。 1. Unlabeled文件夹：

（1）包括PB-Unlabeled.conll、PC-Unlabeled.conll、ZX-Unlabeled.conll三个文件；
（2）每行第一列为词语索引第四列为词性；

2.Train文件夹： （1）包括BC-Train.conll、PB-Train.conll、PC-Train.conll、ZX-Train.conll四个文件； （2）文件中最后一列为依存弧的概率，如果概率为1，则对应弧的依存关系为人工标注，否则为模型补全； 3.Dev文件夹：包括BC-Dev.conll、PB-Dev.conll、PC-Dev.conll、ZX-Dev.conll四个文件。

文件格式说明

Train/Dev/Unlabeled数据文件均为“CoNLL”格式，在CoNLL格式中，每个词语占一行，每行10列，无值列用下划线 '_' 代替，列的分隔符为制表符'\t'，行的分隔符为换行符'\n'；句子与句子之间用空行'\n'分隔。 下面介绍一下我们本次评测使用到的列：

• 1.当前词在句子中的序号，从1开始；
• 2.当前词语或标点；
• 4.当前词语的词性；
• 7.当前词语的核心词；
• 8.当前词语与核心词的依存关系；
• 10.依存弧的概率：如果概率为1，则对应弧为人工标注，否则为模型补全；

Word Embedding预训练

• Word Embedding是通过word2vec在Chinese Gigaword V3（约1100万句、自动分词）和目标领域Train/Unlabeled上训练10次迭代得到。
• Word Embedding文件均采用UTF-8编码。