数据集概述
该数据集是作者早期工作的扩展版本，包含2020年上半年的新闻文章对及其相似度标注。标注涵盖地理焦点、命名实体、时间相关性、叙事模式、整体内容、写作风格、语气及框架观点共八个维度，为多语言新闻文本的相似度分析提供结构化标注数据。
文件详解
- 文档文件：
- Codebook for text similarity annotations - Google Docs.pdf：PDF格式的标注手册，用于说明各相似度维度的定义及标注规则
- 数据文件：
- zenodo_release_data.csv：CSV格式的标注数据集，包含字段：content.pair_id（文章对ID）、content.similarity（相似度得分）、content.url1/content.url2（文章链接）、content.title1/content.title2（文章标题）、real_lang1/real_lang2（文章语言）、GEO/ENT/TIME/NAR/OVERALL/STYLE/TONE/FRAME（各维度标注值）
适用场景
- 自然语言处理研究：用于多语言新闻文本相似度计算模型的训练与评估
- 新闻内容分析：分析不同语言新闻在叙事框架、语气风格等维度的差异
- 媒体研究：探究跨语言新闻对同一事件的报道一致性与差异
- 信息检索优化：提升多语言新闻检索系统的相关性匹配精度
