信息抽取数据集处理——RAMS

引言

RAMS数据集（RAMS：Richly Annotated Multilingual Schema-guided Event Structure）由约翰斯·霍普金斯大学于2020年发布，是一个以新闻为基础的事件抽取数据集。它标注了9,124个事件，涵盖了139种不同的事件类型和65种元素角色类型。事件类型涉及多个领域，如：

• 生命事件（life）
• 冲突事件（conflict）
• 灾难事件（disaster）
• 司法事件（justice）
• 联络事件（contact）
• 政府事件（government）

而元素角色类型包括如：

• 地点（place）
• 参与者（participant）
• 目的地（destination）
• 起源（origin）
• 受害者（victim）
• 被告人（defendant）

这个数据集非常适合用于事件抽取、自然语言处理任务，特别是对事件结构、事件角色的识别和分类。

一、特点（features）

1. 事件类型多样化：涵盖多个领域，增强了事件抽取任务的广泛性和复杂性。
2. 角色标注详细：为每个事件详细标注了不同的角色，为构建事件图、进行因果推理等任务提供了丰富的上下文信息。
3. 结构化标注：不仅仅提供文本，还为每个事件及其参与者标注了详细的语义信息，使其适用于高层次的文本分析。

二、下载（download）

• 可以通过访问官方下载网站进行最新和历史数据集的下载。
• 也可以通过访问我的主页提供的数据集来进行下载。

三、数据集（database）

3.1 数据

数据被分成 train/dev/test 三个文件，

每个数据文件的每一行包含一个 json 字符串，

每个 json 包含：

• ent_spans：开始和结束（包含）索引以及事件/参数/角色字符串。
• evt_triggers：开始和结束（包括）索引以及事件类型字符串。
• sentences：文档文本
• gold_evt_links：遵循上述格式的三元组（事件、论点、角色）
• source_url：文本来源
• split：它属于哪个数据分割
• doc_key：它对应于哪个单独的文件（ 添加到所有文件前面）

所有其他字段都是多余的，以允许 RAMS 的未来迭代。

格式化之后的一条数据（train.jsonlines的第1行）如下展示：

{
    "rel_triggers": [],
    "gold_rel_links": [],
    "doc_key": "nw_RC000462ebb18c