OntoNotes5.0的中文部分包括250K字的新闻专线数据,270K字的广播新闻和170K的广播会话。
新闻专线的数据来自中国树库5.0。
250K包括100K的新华新闻数据(chtb_001.fid到chtb_325.fid)和来自Sinorama新闻杂志的150K数据(chtb_1001.fid到chtb_1078.fid)。
广播新闻数据是来自TDT4的274K字,并且是从LDC为自动内容提取(ACE)程序注释的数据中选择的。
已将这些文件的编号chtb_2000.fid分配给chtb_3145.fid。
广播对话数据是170K字,取自LDC的GALE数据。
50K的原始中文数据也用英文注释,另外55K的中文数据代表原始英语广播对话翻译成中文。
Web数据包括215K令牌,其中15K来自P2.5评估,86K来自Dev09数据。
此外,110K的Web数据由40K并行中文源数据和70K并行英文原始数据组成。
电话会话语料库包括大约100K的中文CallHome数据,用解析,命题,名称和共同参考信息注释。
1