entity-recognition-datasets

收录理由

训练命名实体识别模型时，最麻烦的往往不是模型本身，而是找齐带标注的数据。这个仓库把几十个标注语料集中到了一起，省去你到处翻找的功夫。里面既有生物医学文献，也有电影和餐厅查询、新闻、社交媒体、金融申报文本，实体类型也多样，通常能找到跟你的场景比较接近的语料。它还覆盖多种语言和不同的标注体系，想检验模型跨领域泛化能力的话，这点很实用。不过要实话实说，维护者已经说明不再积极扩充这个集合，所以把它当作一个可靠的起点参考就好，别指望它持续更新。在敲定用哪个语料之前，拿它来对比各语料的内容和许可证，倒是很方便。