数据集概述
本数据集包含现代藏文报纸命名实体识别（NER）的标注集、指南及训练数据，聚焦中国境内当代藏文媒体文本。涵盖17类实体标签、经人工审核的训练数据及原始标注文件，为藏文NER模型开发提供基础资源。
文件详解
- 标注规范文件：
- NER for Modern Tibetan-tagset and guidelines.pdf（PDF格式）：含17类实体标签定义、标注规则及操作建议
- 训练数据文件：
- Tibetan NER Training Data-tagged, reviewed with context-v10-UTF-8.csv（CSV格式）：6624条经审核的标注数据，含实体值、标签、上下文及参考ID
- Tibetan NER Training Data-tagged with context-v10-UTF-8.xlsx（XLSX格式）：与CSV文件内容一致的表格格式数据
- 原始标注文件：
- Raw Training Data for NER in Modern Tibetan-Jobs2-11-JSON.zip（ZIP格式）：Lighttag平台导出的原始JSON标注数据压缩包
- Training Data for NER in Modern Tibetan-Jobs2-11-XLS.zip（ZIP格式）：原始XLS格式标注数据压缩包
- 辅助文档：
- Using Spreadsheets to Review Annotations Offline.pdf（PDF格式）：介绍将Lighttag标注结果转换为离线审核格式的方法指南
数据来源
剑桥大学社会人类学系蒙古与内亚研究组（Mongolian and Inner Asian Studies Unit）
适用场景
- 藏文自然语言处理：用于训练和评估现代藏文NER模型
- 民族语言技术研究：推动藏文信息抽取技术发展
- 媒体文本分析：支持藏文新闻中的实体识别与信息提取
- 标注方法研究：为低资源语言NER标注流程提供参考案例
