WikiNER-fr-gold: Un corpus NER de referencia

WikiNER-fr-gold: A Gold-Standard NER Corpus

October 29, 2024

Autores: Danrun Cao, Nicolas Béchet, Pierre-François Marteau

cs.AI

Resumen

En este artículo abordamos la calidad del corpus WikiNER, un corpus multilingüe de Reconocimiento de Entidades Nombradas, y proporcionamos una versión consolidada del mismo. La anotación de WikiNER se realizó de manera semisupervisada, es decir, no se llevó a cabo verificación manual a posteriori. Dicho corpus se denomina de estándar plata. En este documento proponemos WikiNER-fr-gold, que es una versión revisada de la porción en francés de WikiNER. Nuestro corpus consta de una muestra aleatoria del 20% del subcorpus francés original (26,818 oraciones con 700k tokens). Comenzamos por resumir los tipos de entidades incluidas en cada categoría para definir una guía de anotación, y luego procedemos a revisar el corpus. Finalmente, presentamos un análisis de los errores e inconsistencias observados en el corpus WikiNER-fr, y discutimos posibles direcciones para trabajos futuros.

English

We address in this article the the quality of the WikiNER corpus, a multilingual Named Entity Recognition corpus, and provide a consolidated version of it. The annotation of WikiNER was produced in a semi-supervised manner i.e. no manual verification has been carried out a posteriori. Such corpus is called silver-standard. In this paper we propose WikiNER-fr-gold which is a revised version of the French proportion of WikiNER. Our corpus consists of randomly sampled 20% of the original French sub-corpus (26,818 sentences with 700k tokens). We start by summarizing the entity types included in each category in order to define an annotation guideline, and then we proceed to revise the corpus. Finally we present an analysis of errors and inconsistency observed in the WikiNER-fr corpus, and we discuss potential future work directions.