CHisIEC: An Information Extraction Corpus for Ancient Chinese History

要約

自然言語処理 (NLP) は、デジタル ヒューマニティー (DH) の分野で極めて重要な役割を果たしており、歴史的および文化的遺産のテキストの構造分析を進めるための基礎として機能します。
これは、固有表現認識 (NER) および関係抽出 (RE) のドメインに特に当てはまります。
古代の歴史と文化を促進するという私たちの取り組みの一環として、私たちは「中国歴史情報抽出コーパス」(CHisIEC)を紹介します。
CHisIEC は、NER および RE タスクの開発と評価を目的として設計された、細心の注意を払って厳選されたデータセットであり、この分野での研究を促進するためのリソースを提供します。
CHisIEC は、1830 年以上にわたる 13 王朝のデータを網羅する注目すべき歴史年表にまたがり、中国の歴史文書に内在する広範な時間的範囲とテキストの異質性を典型的に表しています。
このデータセットには 4 つの異なるエンティティ タイプと 12 のリレーション タイプが含まれており、その結果、14,194 のエンティティと 8,609 のリレーションで構成される、綿密にラベル付けされたデータセットが得られます。
データセットの堅牢性と多用途性を確立するために、さまざまなサイズとパラダイムのモデルを含む包括的な実験を実施しました。
さらに、古代中国の歴史に関連するタスクのコンテキストで大規模言語モデル (LLM) の機能を評価しました。
データセットとコードは \url{https://github.com/tangxuemei1995/CHisIEC} で入手できます。

要約(オリジナル)

Natural Language Processing (NLP) plays a pivotal role in the realm of Digital Humanities (DH) and serves as the cornerstone for advancing the structural analysis of historical and cultural heritage texts. This is particularly true for the domains of named entity recognition (NER) and relation extraction (RE). In our commitment to expediting ancient history and culture, we present the “Chinese Historical Information Extraction Corpus”(CHisIEC). CHisIEC is a meticulously curated dataset designed to develop and evaluate NER and RE tasks, offering a resource to facilitate research in the field. Spanning a remarkable historical timeline encompassing data from 13 dynasties spanning over 1830 years, CHisIEC epitomizes the extensive temporal range and text heterogeneity inherent in Chinese historical documents. The dataset encompasses four distinct entity types and twelve relation types, resulting in a meticulously labeled dataset comprising 14,194 entities and 8,609 relations. To establish the robustness and versatility of our dataset, we have undertaken comprehensive experimentation involving models of various sizes and paradigms. Additionally, we have evaluated the capabilities of Large Language Models (LLMs) in the context of tasks related to ancient Chinese history. The dataset and code are available at \url{https://github.com/tangxuemei1995/CHisIEC}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google