Wiki-Quantities 与 Wiki-Measurements：来自维基百科的数量及其测量语境数据集
计算与语言
2025-03-19 v1
摘要
为应对大量出版物，越来越多的研究人员利用基于监督学习的自然语言处理方法自动提取感兴趣的数据。许多数据，尤其是自然科学和工程科学领域的数据，具有定量性质，但缺乏用于在文本中识别数量及其语境的数据集。为解决这一问题，我们基于维基百科和维基数据提出了两个大型数据集：Wiki-Quantities 是一个包含超过 120 万个英文维基百科中标注数量的数据集。Wiki-Measurements 是一个包含 38,738 个英文维基百科中标注数量的数据集，以及各自的测量实体、属性和可选限定词。对 Wiki-Quantities 和 Wiki-Measurements 各 100 个样本进行人工验证，正确率分别为 100% 和 84–94%。这些数据集可用于测量提取的流水线方法，即先识别数量，再识别其测量语境。为允许使用更新或不同版本的维基百科和维基数据复现本工作，我们发布了用于创建数据集的代码以及数据。
引用
@article{arxiv.2503.14090,
title = {Wiki-Quantities and Wiki-Measurements: Datasets of Quantities and their Measurement Context from Wikipedia},
author = {Jan Göpfert and Patrick Kuckertz and Jann M. Weinand and Detlef Stolten},
journal= {arXiv preprint arXiv:2503.14090},
year = {2025}
}