Skip to content

Latest commit

 

History

History
121 lines (103 loc) · 3.95 KB

2020千言数据集：面向中文短文本的实体链指任务.md

File metadata and controls

121 lines (103 loc) · 3.95 KB
Raw

千言数据集：面向中文短文本的实体链指任务

  • 任务简介

    • 输入：中文短文本以及该短文本中的实体集合。
    • 输出：输出文本指中文短文本的实体链指结果。每个结果包含：实体mention、在中文短文本中的位置偏移、其在给定知识库中的id，如果为NIL情况，需要再给出实体的上位概念类型。
    • 官网：https://aistudio.baidu.com/aistudio/competition/detail/58

  • 参赛时间：2020.11.20~2021.1.31

  • 数据格式

    输入：

    {
    "text_id":"1",
    "text":"《琅琊榜》海宴_【原创小说|权谋小说】",
    "mention_data":[
        {
            "mention":"琅琊榜",
            "offset":"1"
        },
        {
            "mention":"海宴",
            "offset":"5"
        },
        {
            "mention":"原创小说",
            "offset":"9"
        },
        {
            "mention":"权谋小说",
            "offset":"14"
        }
    ]
}

    输出：

    {
    "text_id":"1",
    "text":"《琅琊榜》海宴_【原创小说|权谋小说】",
    "mention_data":[
        {
            "kb_id":"2135131",
            "mention":"琅琊榜",
            "offset":"1"
        },
        {
            "kb_id":"10572965",
            "mention":"海宴",
            "offset":"5"
        },
        {
            "kb_id":"215143",
            "mention":"原创小说",
            "offset":"9"
        },
        {
            "kb_id":" NIL_Work ",
            "mention":"权谋小说",
            "offset":"14"
        }
    ]
}

    知识库：该任务的知识库来自百度百科知识库。知识库中的每个实体都包含一个subject_id(知识库id)，一个subject名称，实体的别名，对应的概念类型，以及与此实体相关的一系列二元组< predicate，object>（<属性，属性值>）信息形式。知识库中每行代表知识库的一条记录（一个实体信息），每条记录为json数据格式。

    {
    "subject_id":"1000131",
    "subject":"小王子",
    "alias":[
        "Le Petit Prince",
        "The Little Prince",
        "リトルプリンス 星の王子さまと私",
        "小王子"
    ],
    "type":[
        "Work"
    ],
    "data":[
        {
            "predicate":"外文名",
            "object":"Le Petit Prince"
        },
        {
            "predicate":"发行公司",
            "object":"派拉蒙影业"
        },
        {
            "predicate":"类型",
            "object":"奇幻"
        }
    ]
}

  • 数据说明

    • 本次竞赛的数据从自然网页标题、多模标题、搜索query中抽取得到，通过人工众包标注，知识库实体重复率约5%，实体上位概念准确率95.27%，数据集标注准确率95.32%。
    数据集 下载
    80,000 https://ai.baidu.com/broad/subordinate?dataset=kg

    NIL实体的上位类型集合

  • 竞赛方案

    方案 代码
    top2 √
    top9 ×
    baseline ×