entity-recognition-datasets

entity-recognition-datasets

多领域实体识别和命名实体识别任务数据集

此库包含多个领域的实体识别和命名实体识别(NER)任务数据集,包括新闻、社交媒体、医学等。项目提供数据目录和转换代码,部分数据因许可证限制无法直接共享。虽然自2020年起更新较少,但仍接受通过issue或pull request添加的数据集,并支持多种语言的NER数据,如德语、西班牙语和荷兰语等。

Entity RecognitionNamed Entity RecognitionDatasetsNERAnnotationsGithub开源项目

项目介绍:entity-recognition-datasets

简介

Entity-recognition-datasets是一个致力于实体识别和命名实体识别(NER)任务的数据集集合。此库包含多个领域的英文和其他语言的数据集,通过多种实体类型进行注释。这些数据集对于研究和应用各类实体识别任务都是极其有用的资源。

英文实体识别数据集

英文实体识别(NER)的数据集丰富多样,覆盖新闻、社交媒体、医学、金融等多个领域。以下列举部分代表性数据集:

  • CONLL 2003:一个用于新闻领域的经典数据集,由Sang和Meulder于2003年首次引入。
  • NIST-IEER:来源于NIST 1999 IE-ER,适用于新闻领域。
  • OntoNotes 5:涵盖了多个领域的数据集,由Weischedel等人于2013年推出。
  • wikigold:基于维基百科的数据集,注释采用CC-BY 4.0许可。
  • i2b2医疗数据集:包括2006和2014年的数据集,毒材料至医疗文献,用于医学领域的实体识别。

非英文实体识别数据集

除了英文数据集,该项目还收录了许多其他语言的NER数据集。这些数据集让语言研究者能够在多语言环境中进行NER研究。部分语言包括:

  • 德语:如CoNLL 2003 GermEval 2014等。
  • 西班牙语和加泰罗尼亚语:如AnCora数据集。
  • 法律和医学领域专用数据集:例如以法语为主的QUAERO医学和广播新闻语料库。

特性和附录

这个项目平台允许开发者和研究人员提交新的数据集,扩展可用数据集的数量和多样性。虽然自2020年以来项目不再主动增加数据集,但项目依旧接受通过“问题”或“拉取请求”的方式来增加新的数据集。此外,各数据集的使用权主要受限于其特定的许可类型,从DUA(数据使用协议)、LDC发布许可、到开放许可如CC BY-SA等都有所涵盖。项目文档的子目录中提供了更详细的许可信息。

未来发展

对于有兴趣者而言,可通过阅读项目的更新文档和讨论来获取更多支持信息以及参与项目的机会。这些努力不仅对于学术研究有深远意义,更为推动实体识别技术在实际应用中的普及提供了坚实的基础。

entity-recognition-datasets项目对于希望通过实体识别技术更好地理解语言和文本的开发者、数据科学家、研究人员以及语言爱好者来说,是一个不可或缺且宝贵的资源。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多