TDT Pilot Study Corpus数据集介绍，官网编号LDC98T25

最新推荐文章于 2026-01-07 10:31:23 发布

原创最新推荐文章于 2026-01-07 10:31:23 发布 · 371 阅读

CC 4.0 BY-SA版权

文章标签：

TDT Pilot Study Corpus 是 DARPA 于 1996 年发起的话题检测与跟踪（TDT）预研基准语料，由 LDC 发布，核心用于新闻数据流的话题发现、跟踪与故事分割算法评测，奠定 TDT 任务与标注体系的基础范式。

来源与定位：1997 年由 LDC 发布（LDC97T26），基于 1994-07-01 至 1995-06-30 的新闻数据，由 CMU、UMass Amherst 等机构参与构建；作为 TDT 首个公开基准，定义 “话题 = 事件及相关活动” 的核心概念，适配文本与语音混合数据流的主题建模。
数据规模与格式：总故事量约 15,863 条，路透社新闻专线与 CNN 广播新闻转录文本各占约 50%；音频为 CNN 广播新闻转录文本（对应原始 8kHz 电话语音，转录为文本），文本为 SGML 格式，按时间戳排序，支持流式处理模拟。
内容与场景：覆盖政治、经济、灾难、犯罪等 25 类目标事件（含可预期 / 突发事件），每条故事最多关联 1 个话题，无多话题交叉标注，适配聚类与跟踪任务。
标注体系：提供话题相关性标注（YES/NO/BRIEF）、故事 ID、时间戳、来源标注，配套 25 个目标事件描述文档，用于模型训练与性能评估。