DBpedia NIF：开放、大规模且多语种的知识抽取语料库
计算与语言
2018-12-27 v1 信息检索
摘要
在过去十年中，DBpedia 社区投入了大量精力开发技术基础设施和方法，以从 Wikipedia 中高效抽取结构化信息。这些努力主要集中在收集、精炼和发布 Wikipedia 文章中的半结构化信息，如信息框、分类信息、图像、wiki 链接和引文中的信息。然而，大量有价值的信息仍然包含在非结构化的 Wikipedia 文章文本中。在本文中，我们提出了 DBpedia NIF——一个大规模且多语种的知识抽取语料库。该数据集的目标是双重的：极大地拓宽和加深 DBpedia 中结构化信息的数量，并为各种 NLP 和 IR 任务的开发提供大规模且多语种的语言资源。该数据集提供了 128 种 Wikipedia 语言的所有文章内容。我们描述了数据集的创建过程以及用于对 Wikipedia 文章的内容、链接和信息结构进行建模的自然语言交互格式（NIF）。该数据集进一步丰富了约 25% 的链接，并选定的分区作为 Linked Data 发布。最后，我们描述了数据集的维护和可持续性计划，以及来自 TextExt 知识抽取挑战赛的选定用例。
引用
@article{arxiv.1812.10315,
title = {DBpedia NIF: Open, Large-Scale and Multilingual Knowledge Extraction Corpus},
author = {Milan Dojchinovski and Julio Hernandez and Markus Ackermann and Amit Kirschenbaum and Sebastian Hellmann},
journal= {arXiv preprint arXiv:1812.10315},
year = {2018}
}
备注
15 pages, 1 figure, 4 tables, 1 listing