数据集概述
该数据集是针对孟加拉锡尔赫特、吉大港、巴里萨尔、迈门辛和诺阿卡利方言的命名实体识别基准数据集，包含一万七千四百零五个句子，均匀分布于五个地区，实体分为十种类型。原始句子来源于两个公开数据集及网络爬虫获取的在线报刊文章。
文件详解
该数据集包含多个CSV格式文件，具体说明如下：
- 原始句子文件:
- Regional_NER (Raw Sentences).csv: CSV格式，包含原始句子数据，字段包括句子编号、标准孟加拉语及各地区方言文本（如吉大港、锡尔赫特等）。
- 分地区命名实体识别文件（位于Regional_NER/目录下）:
- Barishal_NER.csv: CSV格式，包含巴里萨尔方言的命名实体标注数据，字段包括句子编号、单词及BIO标签。
- Sylhet_NER.csv: CSV格式，包含锡尔赫特方言的命名实体标注数据，字段同上。
- Mymensingh_NER.csv: CSV格式，包含迈门辛方言的命名实体标注数据，字段同上。
- Chittagong_NER.csv: CSV格式，包含吉大港方言的命名实体标注数据，字段同上。
- Noakhali_NER.csv: CSV格式，包含诺阿卡利方言的命名实体标注数据，字段同上。
适用场景
- 自然语言处理研究: 用于训练和评估孟加拉地区方言的命名实体识别模型。
- 方言语言学分析: 探究孟加拉不同地区方言的词汇特征及实体表达差异。
- 多语言NLP基准测试: 作为低资源语言区域NER任务的基准数据集。
- 文化与社会研究: 分析地区方言文本中的实体分布，反映区域文化特征。
