CHisIEC: Ancient Chinese Historical Information Extraction Corpus

Concepts de base

CHisIEC is a meticulously curated dataset designed to develop and evaluate NER and RE tasks, offering a resource to facilitate research in the field of ancient Chinese history.

Résumé

Directory:

1. Abstract
2. Introduction
3. Related Work
4. Information Extraction Challenges in Ancient Chinese History
5. CHisIEC Dataset Construction Process
6. Experimental Results for NER Task
7. Experimental Results for RE Task
8. Conclusion and Acknowledgments

Abstract:

• NLP plays a crucial role in Digital Humanities.
• CHisIEC dataset facilitates NER and RE tasks for ancient Chinese history.
• Dataset spans 13 dynasties over 1830 years with 14,194 entities and 8,609 relations.

Introduction:

• Preservation of historical heritage enhanced by technology.
• Various technologies applied including NLP, CV, KG.
• Recent studies focus on structuring cultural heritage documents.

Related Work:

• Studies on entity annotation in Korean cultural heritage corpus.
• Focus on historical newspapers entity annotation in European context.
• Development of relation extraction datasets for ancient Chinese history.

Information Extraction Challenges in Ancient Chinese History:

• Availability of labeled data crucial for advancing IE models.
• Unique challenges due to extensive time span and linguistic heterogeneity.

CHisIEC Dataset Construction Process:

• Selection of texts from Twenty-Four Histories spanning 1830 years.
• Annotation process involving multi-person annotation and professional review.

Experimental Results for NER Task:

• PLMs outperform LLMs due to incremental training in Ancient Chinese.
• Fine-tuning more effective than partial modifications like LoRA or P-tuning.

Experimental Results for RE Task:

• ChatGLM2 and Alpaca2 show comparable performance to PLMs.
• GPT3.5 hindered by limited number of samples provided.

Conclusion and Acknowledgments:

• Proposal of CHisIEC dataset for ancient Chinese history tasks.
• Experiments validate applicability of dataset and LLM capabilities.

Stats

CHisIECは、14,194のエンティティと8,609の関係を含むデータセットです。

Citations

Idées clés tirées de

CHisIEC

by Xuemei Tang,... à arxiv.org 03-25-2024

https://arxiv.org/pdf/2403.15088.pdf

Questions plus approfondies

古代中国の歴史文書から情報抽出する際の課題は何ですか？

古代中国の歴史文書から情報抽出する際の主な課題は、以下の点にあります。

時代と言語の異質性: 古代中国の歴史文書は長期間にわたり記録されており、使用される言語も現代中国語と異なっています。このような時代的・言語的多様性が情報抽出を困難にします。
データ量不足: これまで構築されたデータセットは十分な量ではなく、深層学習モデルを開発する基盤として適切であるとはいえません。
政治や軍事テーマへの焦点: 古代中国の歴史文書における政治や軍事関連トピックが支配的であり、他領域への応用が制限されていること。

このデータセットが他の研究分野にどのように応用できる可能性がありますか

このデータセットは他の研究分野でも幅広く活用可能です。例えば：

文化遺産保護: 文化財や歴史資料を保護し解析する際にNLP技術を活用し、重要な役割を果たすことができます。
言語処理技術向上: NERやREタスクを通じて自然言語処理技術を改善し、さらなる進展を促進します。
知識グラフ構築: 歴史情報から知識グラフを構築し、関連性やパターン等新たな洞察力得られます。

情報抽出モデルを改善するために、他の言語モデルやアプローチをどのように組み込むことができますか

情報抽出モデルを改善するために次のアプローチや他言語モデルが組み込まれる可能性があります:

Instruction Tuning (IT): 自然言語命令形式インスタンスへIEタスクサンプル変換後LLMsファインチューニング.
In-context Learning (ICL): ICL戦略採用, ChatGPT等IE任務実行.
Multi-turn Question Answering Task：IE任務マルチターンQA問題変換, ChatGPT二段階問答方式利用.
これらアプローチ及びモデル導入により精度向上見込み, 次世代IEシステム開発助けられます。