ENEIDE：面向历史意大利语的命名实体识别与链接的高质量银标准数据集
计算与语言
2026-04-01 v1
摘要
本文介绍 ENEIDE（从意大利数字化版本中提取命名实体），这是一个用于历史意大利语文本命名实体识别与链接 (NERL) 的银标准数据集。该语料库包含 2,111 个文档，超过 8,000 条实体标注，半自动从两个学术数字化版本中提取：Digital Zibaldone 为意大利诗人 Giacomo Leopardi (1798--1837) 的哲学日记，Aldo Moro Digitale 为意大利政治家 Aldo Moro (1916--1978) 的全集。标注覆盖多个实体类型（person、location、organization、literary work），链接到 Wikidata 标识符，包括无法映射到知识图谱的 NIL 实体。据我们所知，ENEIDE 是首个面向历史意大利语的、跨域的、公开可用的 NERL 数据集，包含训练、开发和测试划分。我们介绍了从手动精选的学术数字化版本中进行半自动标注提取的方法，包括质量控制和标注增强程序。使用最先进的模型进行基线实验表明，数据集对 NERL 提供了挑战且零样本方法与微调模型之间的差距。数据集横跨两个世纪的历时覆盖范围使其特别适合用于时间消歧和跨域评估。ENEIDE 在 CC BY-NC-SA 4.0 许可下发布。
引用
@article{arxiv.2603.29801,
title = {ENEIDE: A High Quality Silver Standard Dataset for Named Entity Recognition and Linking in Historical Italian},
author = {Cristian Santini and Sebastian Barzaghi and Paolo Sernani and Emanuele Frontoni and Laura Melosi and Mehwish Alam},
journal= {arXiv preprint arXiv:2603.29801},
year = {2026}
}