ACE05 关系抽取数据集

最新推荐文章于 2024-06-12 20:18:42 发布

THU-xlj

最新推荐文章于 2024-06-12 20:18:42 发布

阅读量4.3k

点赞数 2

分类专栏：自然语言处理文章标签： ACE数据集

本文链接：https://blog.csdn.net/L_x_4/article/details/103278996

版权

ACE05 自然语言信息抽取数据集

简介

数据集概述

提供已经标注好的多种类型实体，关系和事件，目前该数据集主要用于事件抽取任务中

有中文、英文和阿拉伯文的数据

标注说明

标注过程如下

先进行1P和DUAL两轮标注，标注的结果分别存储于对应语料的fp1和fp2目录下
对以上两轮标注的结果进行裁决，将才绝后的标注结果存储于对应语料的adj目录下
对于English的语料，对adj目录下标注的结果再进行一步处理，将结果存储于timex2norm目录下

对应的标注过程和标注内容如下

    1P: entities        DUAL: entities
        values                values
        events                events
        relations             relations
            |                    |
            |                    |
            |_________?__________|
                      |
                      |
                      |
                      V
                 ADJ: entities
                      values
                      events
                      relations
                      |
                      |
                      |
                      V
                 NORM: TIMEX2 normalization 
                       (English only)

目录架构

目录架构如下

─Arabic              # 阿拉伯语语料库
│  ├─bn
│  │  ├─adj
│  │  ├─altAdj
│  │  ├─fp1
│  │  └─fp2
│  ├─nw
│  │  ├─adj
│  │  ├─altAdj
│  │  ├─fp1
│  │  └─fp2
│  └─wl
│      ├─adj
│      ├─fp1
│      └─fp2
├─Chinese             # 中文语料
│  ├─bn
│  │  ├─adj
│  │  ├─fp1
│  │  └─fp2
│  ├─nw
│  │  ├─adj
│  │  ├─fp1
│  │  └─fp2
│  └─wl
│      ├─adj
│      ├─fp1
│      └─fp2
├─dtd               # 数据说明文件  
└─English           # 英文语料
    ├─bc
    │  ├─adj
    │  ├─fp1
    │  ├─fp2
    │  └─timex2norm
    ├─bn
    │  ├─adj
    │  ├─fp1
    │  ├─fp2
    │  └─timex2norm
    ├─cts
    │  ├─adj
    │  ├─fp1
    │  ├─fp2
    │  └─timex2norm
    ├─nw
    │  ├─adj
    │  ├─fp1
    │  ├─fp2
    │  └─timex2norm
    ├─un
    │  ├─adj
    │  ├─fp1
    │  ├─fp2
    │  └─timex2norm
    └─wl
        ├─adj
        ├─fp1
        ├─fp2
        └─timex2norm

文件解读

每份语料由如下所示的5个文件组成

Source Text (.sgm) Files
	- 这些文件是SGM格式的源文本文件,.sgm文件是UTF-8编码的
 ACE Program Format (APF) (.apf.xml) Files
	- 这些文件采用ACE注释文件格式。
 AG (.ag.xml) Files
    - 这些是使用LDC的注释工具创建的注释文件，这些文件被转换为对应的.apf.xml文件。
 ID table (.tab) Files
    - 这些文件通过使用ag.xml文件和相应的apf.xml文件存储ID们之间的映射表
 AIF (.aif.xml) Files
	- 这些是使用MITRE的Callisto创建的注释文件,仅适用于Valorem产生的阿拉伯数据。

以下以/English/bn/CNN_ENG_20030630_085848.18为例进行具体的解读

CNN_ENG_20030630_085848.18.sgm中内容(关于类似<DOC>这些标签的含义可见dtd/ace_source_sgml.v1.0.2.dtd)

<DOC>
<DOCID> CNN_ENG_20030630_085848.18 </DOCID>#文件名字
<DOCTYPE SOURCE="broadcast news"> NEWS STORY </DOCTYPE>#文件来源
<DATETIME> 2003-06-30 09:23:30 </DATETIME>#时间
<BODY>
<TEXT>
<TURN>#具体内容
a wildfire in california forced hundreds of people from their homes.
the fire, near the historic state park started yesterday when a
trailer, hauled by a pickup, ignited on the golden state freeway. the
fire consumed more than 500 acres is only about 35% contained. no
injuries have been reported thankfully hat this time.
</TURN>
</TEXT>
</BODY>
<ENDTIME> 2003-06-30 09:23:54 </ENDTIME>
</DOC>

CNN_ENG_20030630_085848.18.apf.xml

.apf.xml文件是ACE标注过实体、关系、事件等要素后以XML格式呈现的文本(.apf.xml文件的说明文档是dtd/ace_source_sgml.apf.v5.1.1.dtd)。

说一下dtd/ace_source_sgml.apf.v5.1.1.dtd应该怎么读

<!ATTLIST relation           #relation的标签具有以下的几个属性
                             ID       ID                        #REQUIRED 
                             									#这个REQUIRED表示必须的
                             TYPE     (PHYS|PART-WHOLE|PER-SOC|ORG-AFF|
                                       ART|GEN-AFF|METONYMY)    #REQUIRED
                             SUBTYPE  (Located|Near|Geographical| #二级分类
                                       Subsidiary|Artifact|Business|
                                       Family|Lasting-Personal|Employment|
                                       Ownership|Founder|Student-Alum|
                                       Sports-Affiliation|
                                       Investor-Shareholder|
                                       Membership|
                                       User-Owner-Inventor-Manufacturer|
                                       Citizen-Resident-Religion-Ethnicity|
                                       Org-Location)            #IMPLIED
                             MODALITY (Asserted|Other)          #IMPLIED
                             TENSE    (Past|Present|Future|		#时态
                                       Unspecified)             #IMPLIED
>

relation标签：

<relation ID="CNN_ENG_20030630_085848.18-R1" TYPE="ART" SUBTYPE="User-Owner-Inventor-Manufacturer" TENSE="Unspecified" MODALITY="Asserted">

回到CNN_ENG_20030630_085848.18.apf.xml其中标记的要素包括

ENTITY

<entity ID="CNN_ENG_20030630_085848.18-E2" TYPE="PER" SUBTYPE="Group" CLASS

最低0.47元/天解锁文章

THU-xlj

关注

2
点赞
踩
9

收藏

觉得还不错? 一键收藏
3
评论
ACE05 关系抽取数据集

ACE05 自然语言信息抽取数据集简介数据集概述提供已经标注好的多种类型实体，关系和事件，目前该数据集主要用于事件抽取任务中有中文、英文和阿拉伯文的数据标注说明标注过程如下先进行1P和DUAL两轮标注，标注的结果分别存储于对应语料的fp1和fp2目录下对以上两轮标注的结果进行裁决，将才绝后的标注结果存储于对应语料的adj目录下对于English的语料，对adj目录下...
复制链接

扫一扫

专栏目录