HYUKI5/relbert__lexical_relation_classification

relbert/lexical_relation_classification（複製）

データの内容

語彙関係分類のためのデータ。SphereRE で使われた 5 つのデータセット（BLESS、CogALexV、EVALution、K&H+N、ROOT09）を、それぞれ 1 つの設定（config）として収める。1 行が head と tail の語の組と、その関係 relation からなる（例: turtle と live が event）。すべての資源のライセンスは CC-BY-NC-4.0 で、学術や個人の研究には使えるが商用には制限がある。

データの概要

項目	値
行数	111,509（5 構成・14 分割の合計）
列数	3
容量	6.57 MB（ファイル 17 本）
ファイルの形式	jsonl 14、py 1
言語	en
公開	public

構成と分割

構成（config）	分割（split）ごとの行数	列数
BLESS	train 18,582、test 6,637、validation 1,327	3
CogALexV	train 3,054、test 4,260	3
EVALution	train 5,160、test 1,846、validation 372	3
K&H+N	train 40,256、test 14,377、validation 2,876	3
ROOT09	train 8,933、test 3,191、validation 638	3

列（構成 BLESS・分割 train。どの構成も同じ列）

列	型	先頭の行の値
head	string	cloak
tail	string	carry
relation	string	event

行数と列は HF のデータセットビューアの集計（元のデータセットの現在の版で数えたもの）。全データセットの一覧は HYUKI5/dataset-catalog にある。

複製について

relbert/lexical_relation_classification をリビジョン 9862d1e870fe6dba4922d3d326c9c8b90a2ecad5 の時点でそのまま複製したもの。中身は変えていない。判断モデル Laya（convaiinnovations/laya）の微調整に使う候補として、調査メモ（Laya 学習用データセット調査）に載せたデータを集めている。

出典

• 元のデータセット: https://huggingface.co/datasets/relbert/lexical_relation_classification
• 複製したリビジョン: 9862d1e870fe6dba4922d3d326c9c8b90a2ecad5（2022-07-20 23:24:17+00:00）
• 元のライセンス表記: ['other']

論文

• https://aclanthology.org/P19-1169/
• https://www.aclweb.org/anthology/P19-1169/
• https://aclanthology.org/2021.acl-long.280/
• https://aclanthology.org/P19-1169

アノテーションの方法

元のカードにアノテーションの節が無かった。下の「調査メモの記述」と「元のカード」を参照。

微調整に使うときの注意

• 調査メモの台帳での区分: C（NC・ND・研究専用・評価専用など、商用の利用を妨げうる記載がある）。区分は記載の文言で機械的に付けたもので、法的な判定ではない。学習に入れる前に元のカードとライセンスの原文で確かめる。
• Laya の入力は 2,048 token まで（ModernBERT-large / mmBERT）。長い本文は先頭から黙って切られるので、切れる行は事前に除くか、要約・切り出しをしてから入れる。
• 分割は記事・文書単位で行い、同じ本文から作った別の問いを学習側と較正側に分けない。温度と閾値は学習に使っていない分割で別々に当てる。

調査メモの記述

メモ	節	ライセンス（記載）	確認	注記
ontology_kg_entity.md	Q5. KG トリプルの真偽判定・常識知識・上位下位・時間関係・オントロジー整合のデータにどんなものがあり、Laya に載るか (L160)	other	確認済	確認印なし(各ファイルの凡例により確認済扱い) ／ 原文注記: 語レベルの対で文脈なし。5 つのデータの原ライセンスが混在（other）。SemEval-2016/2018 の本体は未調査
jev_sources_tasksource_bekko.csv	CSV（tasksource-jev-typed-decisions）	other, CC BY-NC 4.0 (DPI) / license_use=non-commercial	確認済	[Jev 元データ source] source_annotation_converted(deterministic recast; no model r
jev_sources_tasksource_bekko.csv	CSV（tasksource-jev-typed-decisions）	other, CC BY-NC 4.0 (DPI) / license_use=non-commercial	確認済	[Jev 元データ source] source_annotation_converted(deterministic recast; no model r
jev_sources_tasksource_bekko.csv	CSV（tasksource-jev-typed-decisions）	other, CC BY-NC 4.0 (DPI) / license_use=non-commercial	確認済	[Jev 元データ source] source_annotation_converted(deterministic recast; no model r
jev_sources_tasksource_bekko.csv	CSV（tasksource-jev-typed-decisions）	other, CC BY-NC 4.0 (DPI) / license_use=non-commercial	確認済	[Jev 元データ source] source_annotation_converted(deterministic recast; no model r

元のカード（日本語訳）

以下は元のデータセットのカードの本文を日本語に訳したもの（機械翻訳）。訳に疑問があるときは、末尾の原文を確かめる。

---

"relbert/lexical_relation_classification" のデータセットカード

データセットの説明

• リポジトリ: RelBERT
• 論文: https://aclanthology.org/P19-1169/
• データセット: 語彙関係分類

データセットの概要

SphereRE で使われた、語彙関係分類のための 5 つのデータセット（BLESS、CogALexV、EVALution、K&H+N、ROOT09）。

データセットの概要

このデータセットには、Analogy Language Model で使われた 5 種類の単語の類推問題が含まれる。

name	train	validation	test
BLESS	18582	1327	6637
CogALexV	3054	-	4260
EVALution	5160	372	1846
K&H+N	40256	2876	14377
ROOT09	8933	638	3191

データセットの構造

データの例

例は次のとおり。

{"head": "turtle", "tail": "live", "relation": "event"}

stem と tail が単語のペアで、relation が対応する関係のラベルである。

引用情報

@inproceedings{wang-etal-2019-spherere,
    title = "{S}phere{RE}: Distinguishing Lexical Relations with Hyperspherical Relation Embeddings",
    author = "Wang, Chengyu  and
      He, Xiaofeng  and
      Zhou, Aoying",
    booktitle = "Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics",
    month = jul,
    year = "2019",
    address = "Florence, Italy",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/P19-1169",
    doi = "10.18653/v1/P19-1169",
    pages = "1727--1737",
    abstract = "Lexical relations describe how meanings of terms relate to each other. Typical examples include hypernymy, synonymy, meronymy, etc. Automatic distinction of lexical relations is vital for NLP applications, and also challenging due to the lack of contextual signals to discriminate between such relations. In this work, we present a neural representation learning model to distinguish lexical relations among term pairs based on Hyperspherical Relation Embeddings (SphereRE). Rather than learning embeddings for individual terms, the model learns representations of relation triples by mapping them to the hyperspherical embedding space, where relation triples of different lexical relations are well separated. Experiments over several benchmarks confirm SphereRE outperforms state-of-the-arts.",
}

ライセンス

すべての資源のライセンスは CC-BY-NC-4.0 に従う。したがって、学術目的または個人の研究には自由に利用できるが、商用利用には制限がある。

原文（英語）

Dataset Card for "relbert/lexical_relation_classification"

Dataset Summary

Five different datasets (BLESS, CogALexV, EVALution, K&H+N, ROOT09) for lexical relation classification used in SphereRE.

Dataset Summary

This dataset contains 5 different word analogy questions used in Analogy Language Model.

name	train	validation	test
BLESS	18582	1327	6637
CogALexV	3054	-	4260
EVALution	5160	372	1846
K&H+N	40256	2876	14377
ROOT09	8933	638	3191

Dataset Structure

Data Instances

An example looks as follows.

{"head": "turtle", "tail": "live", "relation": "event"}

The stem and tail are the word pair and relation is the corresponding relation label.

Citation Information

@inproceedings{wang-etal-2019-spherere,
    title = "{S}phere{RE}: Distinguishing Lexical Relations with Hyperspherical Relation Embeddings",
    author = "Wang, Chengyu  and
      He, Xiaofeng  and
      Zhou, Aoying",
    booktitle = "Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics",
    month = jul,
    year = "2019",
    address = "Florence, Italy",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/P19-1169",
    doi = "10.18653/v1/P19-1169",
    pages = "1727--1737",
    abstract = "Lexical relations describe how meanings of terms relate to each other. Typical examples include hypernymy, synonymy, meronymy, etc. Automatic distinction of lexical relations is vital for NLP applications, and also challenging due to the lack of contextual signals to discriminate between such relations. In this work, we present a neural representation learning model to distinguish lexical relations among term pairs based on Hyperspherical Relation Embeddings (SphereRE). Rather than learning embeddings for individual terms, the model learns representations of relation triples by mapping them to the hyperspherical embedding space, where relation triples of different lexical relations are well separated. Experiments over several benchmarks confirm SphereRE outperforms state-of-the-arts.",
}

LICENSE

The LICENSE of all the resources are under CC-BY-NC-4.0. Thus, they are freely available for academic purpose or individual research, but restricted for commercial use.