dataset_recognition_resources_IR_ML_NLP领域数据集提及标注语料库

数据集概述

本数据集是IR/ML/NLP领域的数据集提及标注语料库，基于原始数据集重新标注而来。包含6000个相关领域句子及数据集标注，新增了源文献中开发的新数据集标注，并将复合数据集标注拆分为单独条目，以JSON格式重新打包，含标注偏移量信息。

文件详解

• 文件名称：ner_dataset_recognition_sentences.json
• 文件格式：JSON
• 字段映射介绍：包含IR/ML/NLP领域的句子文本（sentence），以及每个句子中数据集名称的标注信息（含标注偏移量），覆盖显式命名、复用及新增的数据集，复合数据集已拆分为单独条目。

数据来源

原始数据集：https://github.com/xjaeh/ner_dataset_recognition；论文：The Automatic Detection of Dataset Names in Scientific Articles；重标注资源：https://github.com/kermitt2/dataset_recognition_resources

适用场景

• 自然语言处理模型训练: 用于训练IR/ML/NLP领域的数据集名称实体识别模型。
• 科学文献数据集挖掘: 从学术文本中自动提取和识别数据集名称，支持文献计量分析。
• 标注方法优化研究: 对比原始与重新标注的语料，分析数据集标注策略的有效性。
• 数据集知识图谱构建: 基于识别的数据集名称，构建领域数据集关联网络。