数据集概述
该数据集包含1798至1861年间法国商业名录的页面与条目，分为标注数据集（8765条人工修正条目）和未标注数据集（1058196条原始条目），用于评估19世纪法语文档的OCR与NER性能。
文件详解
- 文件名称: README.md
- 文件格式: Markdown（.md）
- 内容: 数据集概述、引用方式、使用许可等说明文档
- 文件名称: french_trade_directories_19th_century_v1.0.0.zip
- 文件格式: 压缩包（.zip）
- 包含内容:
- 标注数据集:原始页面与裁剪图片、人工修正的条目位置/转录/实体标签、3个系统的OCR预测结果、从清洁文本映射到OCR预测的NER参考
- 未标注数据集:自动检测的条目位置、PERO OCR引擎的OCR预测结果
适用场景
- 历史文档OCR技术评估:对比不同OCR系统在19世纪法语文档上的性能
- NER模型训练与测试:基于标注数据训练NER模型，评估其在噪声OCR文本上的效果
- 自监督学习预训练:利用未标注数据集进行OCR/NER模型的自监督预训练
- 历史商业研究:分析19世纪法国商业名录中的实体信息与社会经济特征
