- 博客(88)
- 收藏
- 关注
RSS订阅原创 Arabic Treebank - Broadcast News v1.0数据集介绍，官网编号LDC2012T07
Arabic Treebank – Broadcast News v1.0
2026-03-04 08:35:09
226
1
原创 GALE Phase 2 Arabic Broadcast Conversation Parallel Text Part 1数据集介绍，官网编号LDC2012T06
是 DARPA GALE 项目第二阶段产出的，由 LDC 于 2012 年发布，是阿拉伯语语音识别、机器翻译与信息抽取的核心基准数据。
2026-03-03 10:29:20
101
2
原创 Chinese Dependency Treebank 1.0数据集介绍，官网编号LDC2012T05
是哈尔滨工业大学（HIT）发布的的，是中文 NLP 领域的核心基准资源之一。
2026-03-03 10:28:06
255
2
原创 2009 CoNLL Shared Task数据集介绍，官网编号LDC2012T03、LDC2012T04
2009 CoNLL Shared Task 数据集（LDC2012T03、LDC2012T04）是面向的经典评测语料，由 LDC 于 2012 年正式发布，对应 2009 年 CoNLL 共享任务 “多语言句法与语义依存”。该任务在 2008 年英文任务基础上扩展至 7 种语言，核心目标是同时预测句法依存（HEAD/DEPREL）与语义角色（SRL，含动词与名词谓词）。
2026-03-03 10:24:02
338
1
原创 ModeS TimeBank 1.0数据集介绍，官网编号LDC2012T01
是首个面向、同时标注的历史文本语料库，专为历史文本的时空语义分析与 GIS 应用设计。
2026-03-03 10:22:38
222
1
原创 Broadcast News Lattices数据集介绍，官网编号LDC2011T06
是 Linguistic Data Consortium（LDC）于 2011 年发布的数据集，专为等语音处理研究提供标准测试资源。
2026-03-03 08:47:15
317
1
原创 2008/2010 NIST Metrics for Machine Translation (MetricsMaTr) GALE Evaluation Set数据集介绍，官网编号LDC2011T05
是 NIST Metrics for Machine Translation（MetricsMaTr）2008 和 2010 年评测的官方标准数据集，由 LDC 于 2011 年发布，面向。的训练、开发与评测。
2026-03-02 15:22:14
237
1
原创 Indian Language Part-of-Speech Tagset: Sanskrit数据集介绍，官网编号LDC2011T04
开发主体 Microsoft Research India (MSR India)是由微软研究院印度分部（MSR India）开发、LDC 于 2011 年发布的。分层标注框架构建，是梵语计算语言学、形态句法分析领域的核心基准数据。核心用途 梵语词性标注、形态分析、句法解析、机器翻译、信息抽取。标注框架 IL-POST（印度语言统一词性标注框架）数据格式 纯文本（.txt）+ XML（.xml）官方编号 LDC2011T04。语言 梵语（Sanskrit）
2026-03-02 15:19:10
209
原创 OntoNotes Release 4.0数据集介绍，官网编号LDC2011T03
开发团队 BBN、科罗拉多大学、宾夕法尼亚大学、南加州大学 ISI、布兰迪斯大学联合开发。核心用途 句法分析、语义角色标注、词义消歧、共指消解、命名实体识别、多任务 NLP 建模。，是 NLP 领域句法分析、语义角色标注、共指消解、命名实体识别等任务的。文本类型 新闻专线、广播新闻、广播对话、网络文本（博客、新闻组）支持项目 DARPA GALE 计划。是由 LDC 于 2011 年发布的。官方编号 LDC2011T03。版本 Release 4.0。
2026-03-02 15:17:16
269
原创 ACE 2005 English SpatialML Annotations Version 2数据集介绍，官网编号LDC2011T02
基础语料 ACE 2005 English Multilingual Training Corpus（LDC2006T06）数据格式 XML（SpatialML 格式）+ 原始 ACE 2005 文本 / 标注。标注规范 SpatialML 标注体系（兼容 ACE 2005 实体标注），由 LDC 于 2011 年发布，核心是为 ACE 2005 文本补充。核心用途 空间实体识别、空间关系抽取、地理语义解析、空间信息检索。标注，是空间信息抽取、地理语义理解领域的权威基准。
2026-03-02 15:15:52
126
原创 SemEval-2010 Task 1 OntoNotes English: Coreference Resolution in Multiple Languages数据，官网编号LDC2011T01
所属任务 SemEval-2010 Task 1：Coreference Resolution in Multiple Languages（多语言共指消解），基于 OntoNotes Release 2.0 语料构建，由 LDC 于 2011 年发布，是英文共指消解领域的经典评测基准。文本类型 新闻专线（华尔街日报）、广播新闻（TDT-4）核心用途 英文共指消解系统的训练、开发与评测。官方编号 LDC2011T01。语言 英语（纯英文文本）发布时间 2011 年。
2026-03-02 15:14:40
129
原创 Indian Language Part-of-Speech Tagset: Hindi数据集介绍，官网编号LDC2010T24
是 LDC 于 2010 年发布的，基于微软印度研究院（MSR India）主导的分层标注框架，专为印地语等形态丰富的印度语言设计，是印地语 NLP 基础任务的核心基准数据。
2026-03-01 15:59:17
246
原创 Manually Annotated Sub-Corpus First Release数据集介绍，官网编号LDC2010T22
是美国语言数据联盟（LDC）于 2010 年发布的，是基于开放美国国家语料库（OANC）的，主打开放共享与社区共建，是 NLP 领域经典的多标注基准语料。
2026-03-01 15:57:48
342
原创 Korean Newswire Second Edition数据集介绍，官网编号LDC2010T19
是 LDC（语言数据联盟）于 2010 年发布的，是韩语 NLP 领域最经典、最常用的基础语料之一。
2026-03-01 15:56:21
386
原创 ACE Time Normalization (TERN) 2004 English Evaluation Data V1.0数据集介绍，官网编号LDC2010T18
是 ACE（Automatic Content Extraction，自动内容抽取）项目下，面向英语时间表达式识别与规范化（TERN）任务的，由美国语言数据联盟（LDC）于 2010 年正式发布。
2026-03-01 15:54:31
115
原创 Indian Language Part-of-Speech Tagset: Bengali数据集介绍，官网编号LDC2010T16
是由微软研究院印度分部（MSR India）主导开发、面向孟加拉语（Bengali/Bangla）的，是印度语言通用词性标注框架（IL-POST）的核心语言子集，2010 年 9 月由美国语言数据联盟（LDC）正式发布。
2026-03-01 15:52:51
194
原创 NIST 2005/2006/2008 Open Machine Translation (OpenMT) Evaluation数据集介绍，官网编号LDC2010T14、2010T17、2010T21
NIST 2005 OpenMT Evaluation/NIST 2006 OpenMT Evaluation/NIST 2008 OpenMT Evaluation 数据集（LDC2010T14/LDC2010T17/LDC2010T21）是 NIST 在 DARPA TIDES/GALE 框架下推出的机器翻译评测基准集，含多语言对平行文本与人工参考译文，适配 MT 系统自动 / 人工评估，2010 年由 LDC 统一发布，是统计 MT 时代核心评测资源。
2026-01-26 16:16:18
327
原创 Arabic Treebank: Part 1 v 4.1数据集介绍，官网编号LDC2010T13
Arabic Treebank: Part 1 v 4.1（官网编号 LDC2010T13）是 LDC 发布的现代标准阿拉伯语（MSA）句法树库核心子集，基于 Penn Arabic Treebank（ATB）框架，提供形态 - 句法多层标注，支撑阿拉伯语分词、词性标注、句法分析等 NLP 任务，以下为结构化介绍。
2026-01-26 16:12:05
129
原创 NIST 2002/2003/2004 Open Machine Translation (OpenMT) Evaluation数据集介绍，官网编号LDC2010T10、2010T11、2010T12
NIST 2002/2003/2004 OpenMT Evaluation 数据集（LDC2010T10/LDC2010T11/LDC2010T12）是 NIST 在 DARPA TIDES 框架下推出的机器翻译评测基准集，含多语言对平行文本与人工参考译文，适配 MT 系统自动 / 人工评估，2010 年由 LDC 统一发布，是统计 MT 时代的核心评测资源。
2026-01-26 16:08:15
173
原创 ACE 2005 Mandarin SpatialML Annotations数据集介绍，官网编号LDC2010T09
ACE 2005 Mandarin SpatialML Annotations（官网编号 LDC2010T09）是 LDC 于 2010 年发布的中文空间信息标注数据集，基于 ACE 2005 中文语料扩展 SpatialML 标注体系，聚焦中文文本中的空间实体、关系与属性，支撑地理信息抽取、空间语义理解等 NLP 任务，以下是结构化介绍。
2026-01-26 16:01:51
151
原创 Arabic Treebank: Part 3 v 3.2数据集介绍，官网编号LDC2010T08
Arabic Treebank: Part 3 v 3.2（官网编号 LDC2010T08）是 LDC 于 2010 年 4 月发布的现代标准阿拉伯语（MSA）句法树库，基于 Penn Treebank 体系，含形态、词性、句法三层标注，适用于阿拉伯语句法解析、分词、词性标注等 NLP 任务，是 ATB3 系列的最终修订版。
2026-01-26 15:52:19
206
原创 Spanish Gigaword Second Edition数据集介绍，官网编号LDC2009T21
LDC2009T21（Spanish Gigaword Second Edition）是 LDC 于 2009 年发布的大规模西班牙语新闻专线文本语料库，是西班牙语 Gigaword 系列的第二版，核心用于语言模型预训练、文本分类、信息提取与机器翻译等 NLP 任务，为西班牙语自然语言处理研究提供高质量大规模单语数据支撑。
2026-01-23 15:44:48
254
原创 Czech Broadcast Conversation MDE Transcripts数据集介绍，官网编号LDC2009T20
LDC2009T20（Czech Broadcast Conversation MDE Transcripts）是 LDC 于 2009 年发布的捷克语广播对话带结构化元数据（MDE）的文本转录语料库，与 LDC2009S02（配套音频）配套发布，主要用于语音识别（ASR）、说话人日志、口语流畅度分析与结构元数据提取等语音与 NLP 研究。
2026-01-23 15:42:39
203
原创 GALE Phase 1 Chinese Newsgroup Parallel Text - Part 1数据集介绍，官网编号LDC2009T15
LDC2009T15（GALE Phase 1 Chinese Newsgroup Parallel Text - Part 1）是 LDC 于 2009 年发布的汉英新闻组平行文本语料，属 DARPA GALE 计划 Phase 1 资源之一，适配机器翻译训练、双语对齐研究与跨语言信息检索等任务。
2026-01-23 15:39:58
505
原创 Tagged Chinese Gigaword Version 2.0数据集介绍，官网编号LDC2009T14
LDC2009T14（Tagged Chinese Gigaword Version 2.0）是 LDC 于 2009 年发布的大规模带词性标注中文新闻语料库，由台湾 “中央研究院” 标注，是 Chinese Gigaword Second Edition（LDC2005T14）的词性标注增强版，适配中文分词、词性标注、句法分析等基础 NLP 任务。
2026-01-23 15:37:30
559
原创 English Gigaword Fourth Edition数据集介绍，官网编号LDC2009T13
LDC2009T13（English Gigaword Fourth Edition）是 LDC 于 2009 年发布的大规模英语新闻专线单语语料库，含约 30 亿词、覆盖 1995-2008 年七大通讯社文本，是 NLP 领域语言模型训练、文本摘要与机器翻译的核心基准资源。
2026-01-23 15:34:39
557
原创 2008/2010 NIST Metrics for Machine Translation (MetricsMaTr) GALE Evaluation Set数据集介绍，官网编号LDC2009T05
LDC2009T05 是 LDC 于 2009 年发布的 NIST 机器翻译指标评测（MetricsMaTr）GALE 评估集，适配 2008/2010 年 NIST MT 评测，用于机器翻译自动评估指标研发与系统性能对比，聚焦阿拉伯语、汉语、波斯语与英语的多语翻译评估，以下从核心信息、数据构成、标注规范、应用与获取等方面展开介绍。
2026-01-22 16:18:19
415
原创 BioProp Version 1.0数据集介绍，官网编号LDC2009T04
LDC2009T04（BioProp Version 1.0）是 LDC 于 2009 年发布的生物医学语义角色标注数据集，由中国台湾 “中央研究院”（Academia Sinica）构建，聚焦生物医学文本中的事件与关系标注，适配生物事件抽取、语义角色分析、生物医学 NLP 模型训练与评测，以下从核心信息、数据构成、标注规范、应用与获取等方面展开介绍。
2026-01-22 16:16:04
278
原创 GALE Phase 1 Arabic Newsgroup Parallel Text - Part 1数据集介绍，官网编号LDC2009T03
LDC2009T03 是 LDC 于 2009 年发布的 GALE 计划 Phase 1 阿拉伯语新闻组平行文本第一部分，聚焦阿拉伯语（现代标准阿拉伯语 MSA + 方言混合）与英语的书面平行语料，适配机器翻译、跨语言信息检索与多语种 NLP 模型训练，以下从核心信息、数据构成、标注规范、应用与获取等方面展开介绍。
2026-01-22 16:12:12
512
原创 GALE Phase 1 Chinese Broadcast Conversation Parallel Text - Part 1数据集介绍，官网编号LDC2009T02
LDC2009T02 是 LDC 在 2009 年发布的 GALE 计划 Phase 1 中文广播会话平行文本第一部分，聚焦中文（普通话）与英文的口语平行语料，适配口语机器翻译、跨语言 NLP 及语音翻译模型训练，以下从核心信息、数据构成、标注规范、应用与获取等方面展开介绍。
2026-01-22 16:08:46
507
原创 English CTS Treebank with Structural Metadata数据集介绍，官网编号LDC2009T01
LDC2009T01（English CTS Treebank with Structural Metadata）是 LDC 于 2009 年发布的会话电话语音（CTS）树库，在 Penn Treebank 句法标注基础上新增 EARS SimpleMDE 结构元数据标注，专门适配口语句法分析与语音解析研究，是会话语音树库与口语 NLP 的核心资源。
2026-01-22 16:07:00
264
原创 CALLHOME Mandarin Chinese Transcripts - XML version数据集介绍，官网编号LDC2008T17
CALLHOME Mandarin Chinese Transcripts - XML version（官网编号 LDC2008T17）是 LDC 于 2008 年发布的汉语 CALLHOME 电话对话文本 XML 格式版本，是 LDC96T16（原始 CALLHOME 汉语电话对话文本）的 XML 化重发布版本，适配语音识别、对话系统、口语 NLP 等任务，为汉语口语对话研究提供标准化标注与结构化解析支持。
2026-01-21 16:31:43
408
原创 North American News Text, General Release数据集介绍，官网编号LDC2008T16
North American News Text, General Release（官网编号 LDC2008T16）是 LDC 于 2008 年发布的北美英文新闻文本通用发布版语料库，由 BLLIP 实验室构建，是 LDC2008T15（完整版）的子集，主打轻量化与通用性，适配语言建模、句法解析等基础 NLP 任务，为英文新闻文本的统计与深度学习研究提供高质量无标注数据。
2026-01-21 16:29:48
469
原创 North American News Text, Complete数据集介绍，官网编号LDC2008T15
North American News Text, Complete（官网编号 LDC2008T15）是 LDC 于 2008 年发布的北美英文新闻文本语料库完整版本，由 BLLIP 实验室构建，是 LDC2008T14 的扩展版本，在通用版基础上新增《华尔街日报》等独家新闻源，核心用于语言建模、句法解析、文本分类等 NLP 基础任务，为英文新闻文本处理提供更全面的无标注数据支撑。
2026-01-21 16:27:16
511
原创 BLLIP North American News Text, General Release数据集介绍，官网编号LDC2008T14
BLLIP North American News Text, General Release（官网编号 LDC2008T14）是 LDC 于 2008 年发布的大规模北美英文新闻文本语料库，由 BLLIP 实验室构建，适配语言建模、句法分析、文本分类等 NLP 基础任务，为英文新闻文本的统计与深度学习研究提供高质量无标注数据。
2026-01-21 16:24:08
591
原创 Chinese Proposition Bank 2.0数据集介绍，官网编号LDC2008T07
Chinese Proposition Bank 2.0（CPB-2.0，官网编号 LDC2008T07）是 LDC 于 2008 年发布的中文语义角色标注语料库，基于中文树库（CTB）句法树添加谓词 - 论元标注，核心用于语义角色标注（SRL）、句法 - 语义联合建模等 NLP 研究，是中文语义标注领域的核心资源。
2026-01-21 16:17:26
347
原创 GALE Phase 1 Arabic Blog Parallel Text数据集介绍，官网编号LDC2008T02
LDC2008T02（GALE Phase 1 Arabic Blog Parallel Text）是 LDC 在 DARPA GALE 计划支持下，于 2008 年发布的阿英博客平行文本数据集，核心用于阿拉伯语 - 英语机器翻译、跨语言 NLP 任务的模型训练与基准测试，以下从核心信息、数据构成、核心特性、使用规范等方面详细介绍：
2026-01-20 16:19:22
440
原创 Hungarian-English Parallel Text, Version 1.0数据集介绍，官网编号LDC2008T01
LDC2008T01（Hungarian-English Parallel Text, Version 1.0）是 LDC 于 2008 年发布的匈英双向平行文本语料库，核心为高质量人工对齐的句子级平行语料，适配机器翻译、跨语言词嵌入、双语词典构建等任务，是早期匈英翻译研究的重要基准资源。
2026-01-20 16:17:05
452
原创 CHAracterizing INdividual Speakers (CHAINS)数据集介绍，官网编号LDC2008S09
LDC2008S09（CHAracterizing INdividual Speakers, CHAINS）是 2008 年发布的说话人特征刻画数据集，核心用于说话人识别、说话人特征分析与建模，适配 NIST 说话人识别评测（SRE）的模型训练与鲁棒性测试需求，以下从核心信息、数据构成、核心特性、使用规范等方面详细介绍：
2026-01-20 16:15:03
633
原创 LDC Spoken Language Sampler数据集介绍，官网编号LDC2008S08
LDC2008S08（LDC Spoken Language Sampler）是 LDC 于 2008 年发布的多语言口语采样数据集，核心为多语种、多场景语音片段，用于语言识别、方言区分等任务的开发与基准测试，适配 NIST LRE 等评测的训练与验证需求。
2026-01-20 16:12:28
543
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人