Ace2005英文数据解析过程(事件抽取)

本文详细解读了Ace2005英文数据的解析过程,包括数据集介绍、文件划分、主要流程。重点讲解了如何从.sgm和.apf.xml文件中提取entity_mentions和event_mentions,使用ElementTree和BeautifulSoup解析XML和SGM文件,通过StanfordCoreNLP进行预处理,并检查span与文本的匹配性。
摘要由CSDN通过智能技术生成

本文是对ace2005-preprocessing代码的解读。

数据集介绍

英文的数据包括以下文件夹:NW(Newswire)、BN(Broadcast News)、BC(Broadcast Conversation)、WL(Weblog)、UN(UsenetNewsgroups /Discussion Forum)、CTS(Conversational Telephone Speech),主要关注内容为下面两种文件。

  • .sgm文件:原始文本文件,编码格式为UTF-8,每行的结尾使用UNIX-style。
  • .apf.xml:标注结果文件。

文件划分:

40个文件作为test set, 30个文件作为development set,529个文件作为训练集。划分的文件保存在data_list.csv中。

主要流程:

读取文件和划分数据集

在这里插入图片描述

解析过程:

  1. 解析xml文件
    通过解析apf.xml得到entity_mentions和event_mentions。解析xml文件可以使用ElementTree。
    对于entity_mention解析出下面内容:(存在entity、value和timex2标签,分别表示实体,值(Numeric、Contact-Info、Crime、Job-Title和
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

hlee-top

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值