1.摘要

本數(shù)據(jù)集由哈爾濱工業(yè)大學(xué)社會(huì)計(jì)算與信息檢索研究中心（哈工大SCIR）秦兵教授和劉銘教授主持開(kāi)發(fā)，是一個(gè)通用領(lǐng)域大規(guī)模條件性知識(shí)圖譜數(shù)據(jù)集。本數(shù)據(jù)集源自于AG News文本分類(lèi)語(yǔ)料，包含四個(gè)類(lèi)別，2440 條數(shù)據(jù)，每條數(shù)據(jù)都是人工標(biāo)注的條件知識(shí)圖譜。該數(shù)據(jù)集的提出能夠?yàn)闂l件性知識(shí)圖譜的研究提供數(shù)據(jù)支持。

2.條件性知識(shí)圖譜

在大多數(shù)情況下，事實(shí)的成立都是有條件的。條件和事實(shí)起著同樣重要的作用，然而目前的知識(shí)圖譜只關(guān)注事實(shí)而忽略了條件的存在。與此同時(shí)，信息提取技術(shù)也只關(guān)注從給定文本中提取事實(shí)，而忽略了條件信息。

為了能夠讓知識(shí)圖譜建模條件信息更加充分，我們提出了一個(gè)三層的網(wǎng)絡(luò)結(jié)構(gòu)條件性知識(shí)圖譜（Conditional-KG）。條件性知識(shí)圖譜和傳統(tǒng)知識(shí)圖譜都是由三元組組成，但是條件性知識(shí)圖譜同時(shí)包含事實(shí)元組和條件元組，以及元組之間的條件關(guān)系。

3.數(shù)據(jù)集

為了支持條件性知識(shí)圖譜的研究，我們手動(dòng)標(biāo)注了一個(gè)條件性知識(shí)圖譜數(shù)據(jù)集。我們選擇了AG News文本分類(lèi)語(yǔ)料作為條件性知識(shí)圖譜的語(yǔ)料。AG News語(yǔ)料具有三大優(yōu)勢(shì)：

AG News中的數(shù)據(jù)是新聞的標(biāo)題和一部分正文，每條數(shù)據(jù)平均包含2.1個(gè)句子、6.4個(gè)元組和3.5個(gè)條件關(guān)系；

AG News中的數(shù)據(jù)具有完整的語(yǔ)法結(jié)構(gòu)，長(zhǎng)度較長(zhǎng)，語(yǔ)言嚴(yán)謹(jǐn)，代詞、口語(yǔ)、習(xí)語(yǔ)等較少。

AG News的文本數(shù)量足夠大，多樣性豐富。它包含12萬(wàn)條訓(xùn)練數(shù)據(jù)和7600條測(cè)試數(shù)據(jù)，涉及World、Sports、Business、 和Sci/Tech四個(gè)類(lèi)別。

我們標(biāo)注的數(shù)據(jù)集追求信息的完整性和元組的原子性。完整性的意思是標(biāo)注者應(yīng)該嘗試從句子中提取所有斷言和條件，我們將原子性定義為每個(gè)元組必須是一個(gè)不可分割的單元。只要有可能，標(biāo)注者必須從帶有連詞的句子中提取多個(gè)原子元組。

我們通過(guò)兩輪標(biāo)注最終得到了人工標(biāo)注的通用領(lǐng)域條件性知識(shí)圖譜數(shù)據(jù)集。本數(shù)據(jù)集源自于AG News文本分類(lèi)語(yǔ)料，包含四個(gè)類(lèi)別，2440 條數(shù)據(jù)，每條數(shù)據(jù)都是人工標(biāo)注的條件知識(shí)圖譜。

4.結(jié)語(yǔ)

為了建模條件信息，我們提出了一個(gè)具有三層網(wǎng)絡(luò)結(jié)構(gòu)的條件性知識(shí)圖譜，并且為社區(qū)貢獻(xiàn)了一個(gè)人工標(biāo)注的通用領(lǐng)域大規(guī)模條件性知識(shí)圖譜。

編輯：jq