Hugging Face's logo

Datasets:
ttxy
/
cn_ner

Tasks:
Token Classification
Modalities:
Text
Formats:
csv
Languages:
code
Size:
100K - 1M
Tags:
ner
Libraries:
Datasets
pandas
License:
Dataset card Viewer Files Community
GaoangLau commited on
Commit
6923878
•
1 Parent(s): 8c166d0

style: add sample number and ner classes

Browse files
Files changed (1) hide show
  1. README.md +28 -55
README.md CHANGED
@@ -18,59 +18,32 @@ task_categories:
18
  * 数据集由[NJUST-TB](https://github.com/Swag-tb)一起整理。
19
  * 由于部分数据包含嵌套实体的情况，所以转换成BIO标签时，长实体会覆盖短实体。
20
 
21
- | 数据 | 原始数据/项目地址 | 原始数据描述 |
22
- | ------ | ------ | ------ |
23
- | CMeEE数据集 | [地址](http://www.cips-chip.org.cn/2021/CBLUE) | 中文医疗信息处理挑战榜CBLUE中医学实体识别数据集 |
24
- | IMCS21_task1数据集 | [地址](http://www.fudan-disc.com/sharedtask/imcs21/index.html?spm=5176.12282016.0.0.140e6d92ypyW1r) | CCL2021第一届智能对话诊疗评测比赛命名实体识别数据集 |
25
- | CCKS2017_task2数据集 | [地址](https://www.biendata.xyz/competition/CCKS2017_2/) | CCKS2017面向电子病历的命名实体识别数据集 |
26
- | CCKS2018_task1数据集 | [地址](https://www.biendata.xyz/competition/CCKS2018_1/) | CCKS2018面向中文电子病历的命名实体识别数据集 |
27
- | CCKS2019_task1数据集 | [地址](http://openkg.cn/dataset/yidu-s4k) | CCKS2019面向中文电子病历的命名实体识别数据集 |
28
- | CLUENER数据集 | [地址](https://github.com/CLUEbenchmark/CLUENER2020) | CLUENER2020数据集 |
29
- | MSRA数据集 | [地址](https://www.msra.cn/) | MSRA微软亚洲研究院开源命名实体识别数据集 |
30
- | NLPCC2018_task4数据集 | [地址](http://tcci.ccf.org.cn/conference/2018/taskdata.php) | 任务型对话系统数据数据集 |
31
- | CCFBDCI数据集 | [地址](https://www.datafountain.cn/competitions/510) | 中文命名实体识别算法鲁棒性评测数据集 |
32
- | MMC数据集 | [地址](https://tianchi.aliyun.com/competition/entrance/231687/information) | 瑞金医院MMC人工智能辅助构建知识图谱大赛数据集 |
33
- | WanChuang数据集 | [地址](https://tianchi.aliyun.com/competition/entrance/531827/introduction) | "万创杯”中医药天池大数据竞赛—智慧中医药应用创新挑战赛数据集 |
34
- | PeopleDairy1998数据集 | [地址]() | 人民日报1998数据集 |
35
- | PeopleDairy2004数据集 | [地址]() | 人民日报2004数据集 |
36
- | GAIIC2022_task2数据集 | [地址](https://www.heywhale.com/home/competition/620b34ed28270b0017b823ad/content/2) | 2022全球人工智能技术创新大赛-商品标题实体识别数据集 |
37
- | WeiBo数据集 | [地址](https://github.com/hltcoe/golden-horse) | 社交媒体中文命名实体识别数据集 |
38
- | ECommerce数据集 | [地址](https://github.com/allanj/ner_incomplete_annotation) | 面向电商的命名实体识别数据集 |
39
- | FinanceSina数据集 | [地址](https://github.com/jiesutd/LatticeLSTM) | 新浪财经爬取中文命名实体识别数据集 |
40
- | BoSon数据集 | [地址](https://github.com/bosondata) | 玻森中文命名实体识别数据集 |
41
- | Resume数据集 | [地址](https://github.com/jiesutd/LatticeLSTM/tree/master/ResumeNER) | 中国股市上市公司高管的简历 |
42
- | Bank数据集 | [地址](https://www.heywhale.com/mw/dataset/617969ec768f3b0017862990/file) | 银行借贷数据数据集 |
43
- | FNED数据集 | [地址](https://www.datafountain.cn/competitions/561/datasets) | 高鲁棒性要求下的领域事件检测数据集 |
44
- | DLNER数据集 | [地址](https://github.com/lancopku/Chinese-Literature-NER-RE-Dataset) | 语篇级命名实体识别数据集 |
45
-
46
- 清洗及格式转换后的数据，下载链接如下：[百度云](https://pan.baidu.com/s/1VvbvWPv3eM4MXsv_nlDSSA)
47
- <br>提取码：4sea
48
-
49
-
50
-
51
- 数据样本及类别如下：
52
-
53
- CMeEE数据集，共20000条样本，9种类别，为sym、dep、dru、pro、equ、dis、mic、ite和bod。
54
- IMCS21_task1数据集，共98452条样本，5种类别，为Operation、Drug_Category、Medical_Examination、Symptom和Drug。
55
- CCKS2017_task2数据集，共2229条样本，5种类别，为symp、dise、chec、body和cure。
56
- CCKS2018_task1数据集，共797条样本，5种类别，为症状和体征、检查和检验、治疗、疾病和诊断、身体部位。
57
- CCKS2019_task1数据集，共1379条样本，6种类别，为解剖部位、手术、疾病和诊断、药物、实验室检验、影像检查。
58
- CLUENER2020数据集，共12091条样本，10种类别，为game、organization、government、movie、name、book、company、scene、position和address。
59
- MSRA数据集，共48442条样本，3种类别，为LOC、ORG和PER。
60
- NLPCC2018_task4数据集，共21352条样本，15种类别，为language、origin、theme、custom_destination、style、phone_num、destination、contact_name、age、singer、song、instrument、toplist、scene和emotion。
61
- CCFBDCI数据集，共15723条样本，4种类别，为LOC、GPE、ORG和PER。
62
- MMC数据集，共3498条样本，18种类别，为Level、Method、Disease、Drug、Frequency、Amount、Operation、Pathogenesis、Test_items、Anatomy、Symptom、Duration、Treatment、Test_Value、ADE、Class、Test和Reason。
63
- WanChuang数据集，共1255条样本，13种类别，为药物剂型、疾病分组、人群、药品分组、中药功效、症状、疾病、药物成分、药物性味、食物���组、食物、证候和药品。
64
- PeopleDairy1998数据集，共27818条样本，3种类别，为LOC、ORG和PER。
65
- PeopleDairy2004数据集，共286268条样本，4种类别，为LOC、ORG、PER、T。
66
- GAIIC2022_task2数据集，共40000条样本，52种类别，类别被脱敏。
67
- WeiBo数据集，共1890条样本，7种类别，为LOC.NAM、LOC.NOM、PER.NAM、ORG.NOM、ORG.NAM、GPE.NAM和PER.NOM。
68
- ECommerce数据集，共7998条样本，4种类别，为MISC、XH、HPPX和HCCX。
69
- FinanceSina数据集，共1579条样本，4种类别，为LOC、GPE、ORG和PER。
70
- BoSon数据集，共2000条样本，6种类别，为time、product_name、person_name、location、org_name和company_name。
71
- Resume数据集，共4761条样本，8种类别，为NAME、EDU、LOC、ORG、PRO、TITLE、CONT和RACE。
72
- Bank数据集，共10000条样本，4种类别，为BANK、COMMENTS_ADJ、COMMENTS_N和PRODUCT。
73
- FNED数据集，共10500条样本，7种类别，为LOC、GPE、ORG、EQU、TIME、FAC和PER。
74
- DLNER数据集，共28897条样本，9种类别，为Location、Thing、Abstract、Organization、Metric、Time、Physical、Person和Term。
75
- 注意：部分嵌套实体的数据，使用长实体覆盖了短实体，有嵌套实体需求的同学，请自行使用原始数据。
76
 
 
18
  * 数据集由[NJUST-TB](https://github.com/Swag-tb)一起整理。
19
  * 由于部分数据包含嵌套实体的情况，所以转换成BIO标签时，长实体会覆盖短实体。
20
 
21
+ | 数据 | 原始数据/项目地址 | 样本个数 | 类别 | 原始数据描述 |
22
+ | ------ | ------ | ------ | ------ | ------ |
23
+ | CMeEE数据集 | [地址](http://www.cips-chip.org.cn/2021/CBLUE) | 20000条 | sym、dep、dru、pro、equ、dis、mic、ite和bod | 中文医疗信息处理挑战榜CBLUE中医学实体识别数据集 |
24
+ | IMCS21_task1数据集 | [地址](http://www.fudan-disc.com/sharedtask/imcs21/index.html?spm=5176.12282016.0.0.140e6d92ypyW1r) | 98452条 | Operation、Drug_Category、Medical_Examination、Symptom和Drug | CCL2021第一届智能对话诊疗评测比赛命名实体识别数据集|
25
+ | CCKS2017_task2数据集 | [地址](https://www.biendata.xyz/competition/CCKS2017_2/) | 2229条 | symp、dise、chec、body和cure | CCKS2017面向电子病历的命名实体识别数据集 |
26
+ | CCKS2018_task1数据集 | [地址](https://www.biendata.xyz/competition/CCKS2018_1/) | 797条 | 症状和体征、检查和检验、治疗、疾病和诊断、身体部位 | CCKS2018面向中文电子病历的命名实体识别数据集 |
27
+ | CCKS2019_task1数据集 | [地址](http://openkg.cn/dataset/yidu-s4k) | 1379条 | 解剖部位、手术、疾病和诊断、药物、实验室检验、影像检查 | CCKS2019面向中文电子病历的命名实体识别数据集 |
28
+ | CLUENER2020数据集 | [地址](https://github.com/CLUEbenchmark/CLUENER2020) | 12091条 | game、organization、government、movie、name、book、company、scene、position和address | CLUENER2020数据集 |
29
+ | MSRA数据集 | [地址](https://www.msra.cn/) | 48442条 | LOC、ORG和PER | MSRA微软亚洲研究院开源命名实体识别数据集 |
30
+ | NLPCC2018_task4数据集 | [地址](http://tcci.ccf.org.cn/conference/2018/taskdata.php) | 21352条 | language、origin、theme、custom_destination、style、phone_num、destination、contact_name、age、singer、song、instrument、toplist、scene和emotion | 任务型对话系统数据数据集 |
31
+ | CCFBDCI数据集 | [地址](https://www.datafountain.cn/competitions/510) |15723条 | LOC、GPE、ORG和PER | 中文命名实体识别算法鲁棒性评测数据集 |
32
+ | MMC数据集 | [地址](https://tianchi.aliyun.com/competition/entrance/231687/information) | 3498条 | Level、Method、Disease、Drug、Frequency、Amount、Operation、Pathogenesis、Test_items、Anatomy、Symptom、Duration、Treatment、Test_Value、ADE、Class、Test和Reason | 瑞金医院MMC人工智能辅助构建知识图谱大赛数据集 |
33
+ | WanChuang数据集 | [地址](https://tianchi.aliyun.com/competition/entrance/531827/introduction) | 1255条 | 药物剂型、疾病分组、人群、药品分组、中药功效、症状、疾病、药物成分、药物性味、食物分组、食物、证候和药品 | "万创杯”中医药天池大数据竞赛—智慧中医药应用创新挑战赛数据集 |
34
+ | PeopleDairy1998数据集 | [地址]() | 27818条 | LOC、ORG和PER | 人民日报1998数据集 |
35
+ | PeopleDairy2004数据集 | [地址]() | 286268条 | LOC、ORG、PER、T | 人民日报2004数据集 |
36
+ | GAIIC2022_task2数据集 | [地址](https://www.heywhale.com/home/competition/620b34ed28270b0017b823ad/content/2) | 40000条 | 该比赛共有52种类别 | 商品标题实体识别数据集 |
37
+ | WeiBo数据集 | [地址](https://github.com/hltcoe/golden-horse) | 1890条 | LOC.NAM、LOC.NOM、PER.NAM、ORG.NOM、ORG.NAM、GPE.NAM和PER.NOM | 社交媒体中文命名实体识别数据集 |
38
+ | ECommerce数据集 | [地址](https://github.com/allanj/ner_incomplete_annotation) | 7998条 | MISC、XH、HPPX和HCCX | 面向电商的命名实体识别数据集 |
39
+ | FinanceSina数据集 | [地址](https://github.com/jiesutd/LatticeLSTM) | 1579条 | LOC、GPE、ORG和PER | 新浪财经爬取中文命名实体识别数据集 |
40
+ | BoSon数据集 | [地址](https://github.com/bosondata) | 2000条 | time、product_name、person_name、location、org_name和company_name | 玻森中文命名实体识别数据集 |
41
+ | Resume数据集 | [地址](https://github.com/jiesutd/LatticeLSTM/tree/master/ResumeNER) | 4761条 | NAME、EDU、LOC、ORG、PRO、TITLE、CONT和RACE | 中国股市上市公司高管的简历 |
42
+ | Bank数据集 | [地址](https://www.heywhale.com/mw/dataset/617969ec768f3b0017862990/file) | 10000条 | BANK、COMMENTS_ADJ、COMMENTS_N和PRODUCT | 银行借贷数据数据集 |
43
+ | FNED数据集 | [地址](https://www.datafountain.cn/competitions/561/datasets) | 10500条 | LOC、GPE、ORG、EQU、TIME、FAC和PER | 高鲁棒性要求下的领域事件检测数据集 |
44
+ | DLNER数据集 | [地址](https://github.com/lancopku/Chinese-Literature-NER-RE-Dataset) | 28897条 | Location、Thing、Abstract、Organization、Metric、Time、Physical、Person和Term | 语篇级命名实体识别数据集 |
45
+
46
+
47
+ - 清洗及格式转换后的数据，下载链接如下：[百度云](https://pan.baidu.com/s/1VvbvWPv3eM4MXsv_nlDSSA) / 提取码：4sea
48
+ - 注意：部分嵌套实体的数据，使用长实体覆盖了短实体，有嵌套实体需求的同学，请自行使用原始数据。
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
49