Nlpcc-2019-shared-task-Readme

train_dev_unlabeled

• Unlabeled文件夹：
  • 包括PB-Unlabeled.conll、PC-Unlabeled.conll、ZX-Unlabeled.conll三个文件；
  • 无标注数据仅提供分词和词性（第四列）信息；
• Train文件夹：
  • 包括BC-Train.conll、PB-Train.conll、PC-Train.conll、ZX-Train.conll四个文件；
  • 文件中最后一列为依存弧的概率，如果概率为1，则对应弧为人工标注，否则为模型补全；
• Dev文件夹：
  • 包括BC-Dev.conll、PB-Dev.conll、PC-Dev.conll、ZX-Dev.conll四个文件；
  • 文件中第7列为“-1”且第8列为“none”,代表该弧未进行人工标注。

文件格式说明

Train/Dev/Unlabeled数据文件均为“CoNLL”格式，在CoNLL格式中，每个词语占一行，每行10列，无值列用下划线 '_' 代替，列的分隔符为制表符'\t'，行的分隔符为换行符'\n'；句子与句子之间用空行'\n'分隔。 下面介绍一下我们本次评测使用到的列：

• 1.当前词在句子中的序号，从1开始；
• 2.当前词语或标点；
• 4.当前词语的词性；
• 7.当前词语的核心词；
• 8.当前词语与核心词的依存关系；
• 10.依存弧的概率；

Word Embedding预训练

• Word Embedding是通过word2vec在Chinese Gigaword V3（约1100万句、自动分词）和目标领域Train/Unlabeled上训练10次迭代得到。
• Word Embedding文件均采用UTF-8编码。