DocRED 数据集卡片

数据集概述

文档中的多个实体通常会展示复杂的跨句子关系，现有的关系抽取（RE）方法往往只专注于提取单个实体对的句内关系，无法很好地处理这种情况。为了推动文档级关系抽取研究，我们引入了 DocRED 数据集，该数据集是从维基百科和维基数据构建的，具有以下三个特点： - DocRED 对命名实体和关系都进行了注释，并且是基于纯文本进行文档级关系抽取的最大人工标注数据集。 - DocRED 需要读取文档中多个句子来提取实体并推断它们的关系，通过综合文档的所有信息。 - 除了人工标注的数据，我们还提供了规模庞大的远程监督数据，使 DocRED 能够在监督和弱监督的场景中都能够应用。

支持的任务和排行榜

More Information Needed

语言

More Information Needed

数据集结构

数据实例

• 下载的数据集文件大小： 21.00 MB
• 生成的数据集大小： 20.12 MB
• 使用的总磁盘空间： 41.14 MB

'train_annotated' 的一个示例如下所示。

{
    "labels": {
        "evidence": [[0]],
        "head": [0],
        "relation_id": ["P1"],
        "relation_text": ["is_a"],
        "tail": [0]
    },
    "sents": [["This", "is", "a", "sentence"], ["This", "is", "another", "sentence"]],
    "title": "Title of the document",
    "vertexSet": [[{
        "name": "sentence",
        "pos": [3],
        "sent_id": 0,
        "type": "NN"
    }, {
        "name": "sentence",
        "pos": [3],
        "sent_id": 1,
        "type": "NN"
    }], [{
        "name": "This",
        "pos": [0],
        "sent_id": 0,
        "type": "NN"
    }]]
}

数据字段

所有拆分的数据字段相同。

• 标题：字符串特征。
• 句子：包含以下内容的字典特征：
  • 特征：字符串特征。
• 名称：字符串特征。
• 句子ID：int32特征。
• 位置：int32特征的列表。
• 类型：字符串特征。
• 标签：包含以下内容的字典特征：
  • 头：int32特征。
  • 尾：int32特征。
  • 关系ID：字符串特征。
  • 关系文本：字符串特征。
  • 证据：int32特征的列表。

数据拆分

数据集创建

策划理由

More Information Needed

源数据

More Information Needed

More Information Needed

注释

More Information Needed

More Information Needed

个人和敏感信息

More Information Needed

使用数据的注意事项

数据的社会影响

More Information Needed

偏见讨论

More Information Needed

其他已知限制

More Information Needed

附加信息

数据集策划者

More Information Needed

许可信息

More Information Needed

引用信息

@inproceedings{yao-etal-2019-docred,
    title = "{D}oc{RED}: A Large-Scale Document-Level Relation Extraction Dataset",
    author = "Yao, Yuan  and
      Ye, Deming  and
      Li, Peng  and
      Han, Xu  and
      Lin, Yankai  and
      Liu, Zhenghao  and
      Liu, Zhiyuan  and
      Huang, Lixin  and
      Zhou, Jie  and
      Sun, Maosong",
    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/P19-1074",
    doi = "10.18653/v1/P19-1074",
    pages = "764--777",
}

贡献者

感谢 @ghomasHudson 、 @thomwolf 、 @lhoestq 添加了该数据集。