要約
この記事では、多言語のエンティティ認識コーパスであるウィキナーコーパスの品質に取り組み、その統合バージョンを提供します。
ウィキナーの注釈は、半監視された方法で生産されました。つまり、事後に操作されていません。
そのようなコーパスは銀標準と呼ばれます。
この論文では、ウィキナーの割合の改訂版であるWikiner-Fr-Goldを提案します。
私たちのコーパスは、元のフランスのサブコルパスのランダムにサンプリングされた20％（700Kトークンを含む26,818文）で構成されています。
アノテーションガイドラインを定義するために、各カテゴリに含まれるエンティティタイプを要約することから始め、コーパスの修正に進みます。
最後に、Wikiner-FRコーパスで観察されたエラーと矛盾の分析を提示し、潜在的な将来の仕事の方向性について説明します。
要約(オリジナル)
We address in this article the the quality of the WikiNER corpus, a multilingual Named Entity Recognition corpus, and provide a consolidated version of it. The annotation of WikiNER was produced in a semi-supervised manner i.e. no manual verification has been carried out a posteriori. Such corpus is called silver-standard. In this paper we propose WikiNER-fr-gold which is a revised version of the French proportion of WikiNER. Our corpus consists of randomly sampled 20% of the original French sub-corpus (26,818 sentences with 700k tokens). We start by summarizing the entity types included in each category in order to define an annotation guideline, and then we proceed to revise the corpus. Finally we present an analysis of errors and inconsistency observed in the WikiNER-fr corpus, and we discuss potential future work directions.
arxiv情報
| 著者 | Danrun Cao,Nicolas Béchet,Pierre-François Marteau |
| 発行日 | 2025-04-28 08:16:14+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google