数据集概述
本数据集为加泰罗尼亚语的自然语言理解（NLU）数据集，包含近1.2万条标注指令，涵盖虚拟家庭助手常用意图及弱势群体的社会、医疗需求意图，标注细粒度槽位并考虑加泰罗尼亚语使用者的地理文化背景。可用于训练意图分类、槽位识别及示例生成模型。
文件详解
- 主数据集文件
- 文件名称：NLUCat_dataset.json
- 文件格式：JSON
- 字段映射介绍：包含example（示例文本）、annotation（标注信息）；annotation下含intent（意图标签）、slots（槽位列表）；slots含Tag（槽位类型）、Text（槽位文本）、Start_char（起始字符位置）、End_char（结束字符位置）
- 标注指南
- 文件名称：NLUCat_annotation_guidelines.docx
- 文件格式：DOCX
- 内容介绍：提供给标注团队的标注规范文档
- 统计文件
- 文件名称：NLUCat_stats.tsv
- 文件格式：TSV
- 内容介绍：数据集相关统计信息
- HuggingFace发布版本文件夹
- 文件夹名称：dataset
- 内容介绍：拆分后的训练与评估用数据集文件
- 标注反馈报告文件夹
- 文件夹名称：reports
- 内容介绍：标注过程中给标注员的反馈报告
数据来源
Barcelona Supercomputing Center（BSC）Language Technologies Unit
适用场景
- 低资源语言NLU模型训练: 用于加泰罗尼亚语虚拟助手的意图分类与槽位识别模型开发
- 弱势群体需求适配研究: 针对医疗、行政等特殊需求场景的NLU模型优化
- 多语言NLU系统对比: 作为加泰罗尼亚语样本参与跨语言NLU系统性能评估
- 社会文化适配性分析: 研究NLU数据中地理文化元素对模型效果的影响
