CC-Riddle：一个汉字字谜问答数据集
计算与语言
2023-09-26 v2
摘要
汉字字谜是汉语特有的一种文化娱乐形式，通常由两部分组成：谜面与谜底。谜底为单个汉字，而谜面主要描述谜底的字形，偶尔辅以释义与读音。求解汉字字谜是一项 demanding 对字形理解、常识掌握与比喻语言把握的艰巨任务。本文构建了一个名为CC-Riddle的汉字字谜数据集，覆盖大部分常用简体汉字。构建过程结合网络爬取、语言模型生成与人工筛选。在生成阶段，我们将谜底汉字的汉语拼音、字形与字义输入生成模型，由其产出多条谜面描述。生成谜语经人工筛选后，最终CC-Riddle数据集由人工编写谜语与这些经筛选的生成谜语共同构成。为评估语言模型在解字谜任务上的表现，我们采用基于检索、生成式与多选问答策略测试了BERT、ChatGPT与ChatGLM三种语言模型。测试结果显示当前语言模型仍难以求解汉字字谜。CC-Riddle已在\url{https://github.com/pku0xff/CC-Riddle}公开。
引用
@article{arxiv.2206.13778,
title = {CC-Riddle: A Question Answering Dataset of Chinese Character Riddles},
author = {Fan Xu and Yunxiang Zhang and Xiaojun Wan},
journal= {arXiv preprint arXiv:2206.13778},
year = {2023}
}