fewshot-goes-multilingual/cs_czech-named-entity-corpus_2.0

Dataset Card for Czech Named Entity Corpus 2.0

Dataset Description

The dataset contains Czech sentences and annotated named entities. Total number of sentences is around 9,000 and total number of entities is around 34,000. (Total means train + validation + test)

Dataset Features

Each sample contains:

• text: source sentence
• entities: list of selected entities. Each entity contains:
  • category_id: string identifier of the entity category
  • category_str: human-friendly category name in Czech (verbalizer)
  • start: index on which the entity starts in the source sentence
  • end: index on which the entity ends in the source sentence
  • content: entity content, it was created as text[start:end]
  • entity_id: unique entity string identifier
  • parent_id: If entity was selected inside another entity (e.g. house number inside address), parent_id is the identifier of the parent entity. None otherwise.

The entity_id field was checked to be globally unique (across data samples and dataset splits.)

Entity categories

The list of the recognized entities (category_id, category_str pairs):

{
 'A': 'číslo v adrese / kontaktním údaji',
 'ah': 'číslo domu',
 'at': 'telefonní číslo / fax',
 'az': 'PSČ (poštovní směrovací číslo)',
 'C': 'reference/bibliografie',
 'f': 'cizí výraz',
 'g_': 'geografický název - jiný',
 'gc': 'stát/země',
 'gh': 'jméno vodstva',
 'gl': 'přírodní oblast/útvar',
 'gq': 'městská čtvrť',
 'gr': 'území',
 'gs': 'ulice/náměstí',
 'gt': 'kontinent',
 'gu': 'město/zámek',
 'i_': 'instituce - jiná',
 'ia': 'konference/soutěž',
 'ic': 'kulturní/vzdělávací/vědecká instituce',
 'if': 'komerční instituce',
 'io': 'vládní/politická instituce',
 'me': 'emailová adresa',
 'mi': 'URL / internetový odkaz',
 'mn': 'časopis',
 'ms': 'radio/televizní stanice',
 'n_': 'číselný výraz - jiný',
 'na': 'věk',
 'nb': 'číslo stránky/kapitoly/sekce/objektu',
 'nc': 'množství/počet',
 'ni': 'číslo položky',
 'no': 'pořadí',
 'ns': 'sportovní skóre',
 'o_': 'artefakt - jiný',
 'oa': 'umělecké dílo / kulturní artefakt',
 'oe': 'jednotka',
 'om': 'měna',
 'op': 'produkt/výrobek',
 'or': 'zákon/směrnice/listina',
 'P': 'celé jméno',
 'p_': 'jméno - jiné',
 'pc': 'národnost',
 'pd': '(akademický) titul',
 'pf': 'křestní jméno',
 'pm': 'prostřední jméno',
 'pp': 'mýtická/historická postava',
 'ps': 'příjmení',
 's': 'zkratka',
 'T': 'čas/datum',
 'td': 'den',
 'tf': 'svátky',
 'th': 'hodiny/minuty',
 'tm': 'měsíc',
 'ty': 'rok',
}

Dataset Source

The dataset is a preprocessed adaptation of existing CNEC 2.0 dataset project info, link to data. This adaptation contains (almost) same data, but converted to a convenient format. In addition, we inspected and decided to remove entity categories: ?, segm, cap, lower, upper, which were either undocumented and/or carried little semantic meaning.

The category names (verbalizers) are not in the original dataset. They were added by a Czech native speaker using the available documentation and by looking at several occurrences in the data.

Citation

Cite authors of the original dataset:

@misc{11858/00-097C-0000-0023-1B22-8,
 title = {Czech Named Entity Corpus 2.0},
 author = {{\v S}ev{\v c}{\'{\i}}kov{\'a}, Magda and {\v Z}abokrtsk{\'y}, Zden{\v e}k and Strakov{\'a}, Jana and Straka, Milan},
 url = {http://hdl.handle.net/11858/00-097C-0000-0023-1B22-8},
 note = {{LINDAT}/{CLARIAH}-{CZ} digital library at the Institute of Formal and Applied Linguistics ({{\'U}FAL}), Faculty of Mathematics and Physics, Charles University},
 copyright = {Attribution-{NonCommercial}-{ShareAlike} 3.0 Unported ({CC} {BY}-{NC}-{SA} 3.0)},
 year = {2014}
}