3、语音半端到端嵌套命名实体识别研究

语音半端到端嵌套命名实体识别研究

1. 数据集介绍

CNERTA 是一个大规模人工标注的中文多模态嵌套命名实体识别（NER）数据集，包含 42,987 个标注句子和 71 小时的语音数据。它基于 AISHELL - 1 数据集构建，该数据集是一个开源语音语料库，包含超过 170 小时的中文语音数据，常用于评估中文自动语音识别（ASR）系统的性能。CNERTA 涵盖了“金融”“科技”“体育”“娱乐”和“新闻”五个领域。

数据集划分	音频时长	平均句子长度	最大句子长度	嵌套命名实体比例	实例数量	实体数量	ORG 数量	PER 数量	LOC 数量
训练集	56.68 h	19.69	39	31.25%	34,102	23,805	7,066	5,846	10,893
开发集	7.50 h	19.77	44