Khresmoi manually annotated reference corpus

View resource name in all available languages

Corpus de référence annoté manuellement Khresmoi

764-036-829-417-7

ID:

ELRA-W0081

The Manually Annotated Reference Corpus is a collection of English web documents annotated with key entities (such as disease, drug), built in the framework of the Khresmoi project, funded by the European Commission. It has been constructed by first annotating these entities with an imperfect automatic process through GATE pipelines. Then, automatic annotations have been corrected by several human operators. The differences between these human operators were resolved to give the final reference corpus.

The corpus is divided into two parts:
1. The initial corpus: 625 documents from the Genetics Home Reference data set, automatically annotated with anatomical locations and diseases, and manually corrected by 3-4 annotators. Size of documents: between 26 and 8,306 tokens each.
2. The main corpus: 6,950 English documents from the Khresmoi crawl and 5,518 English Wikipedia pages, automatically annotated through the GATE Platform for Anatomy, Disease, Drug and Investigation. Size of documents: between 200 and 2,000 tokens each. Of these, 1,783 documents have been manually corrected by up to 7 people, to give 68,799 agreed consensus annotations.

The corpus is using the GATE XML format.

View resource description in French

Le corpus de référence annoté manuellement est une collection de documents web en anglais annotés en entités-clés (telles que maladie, médication), réalisée dans le cadre du projet Khresmoi, financé par la Commission européenne. Il a été construit d’abord en annotant ces entités avec un procédé automatique imparfait via le réseau GATE. Puis, les annotations automatiques ont été corrigées par plusieurs opérateurs humains. Les différences entre les opérateurs humains ont été résolues afin d’offrir un corpus de référence final.

Le corpus se divise en deux parties:
1. Le corpus initial: 625 documents provenant de l’ensemble de données Genetics Home Reference, annoté automatiquement avec les emplacements anatomiques et les maladies, et corrigé manuellement par 3-4 annotateurs. Taille des documents: entre 26 et 8,306 tokens par document.
2. Le corpus principal: 6,950 documents provenant de données crawlées dans Khresmoi et 5,518 pages Wikipedia, annotées automatiquement via la plate-forme GATE dédiée à l’anatomie, la maladie, la médication et l’investigation. Taille des documents: entre 200 et 2,000 tokens par document. A partir de cela, 1,783 documents ont été corrigés manuellement par un maximum de 7 personnes, pour offrir 68,799 annotations agréées par consensus.

Le corpus utilise le format XML GATE.

MEMBERacademiccommercial
Licence: Non Commercial Use - ELRA END USER
0.00 € submit
0.00 € submit
Licence: Commercial Use - ELRA VAR
0.00 € submit
0.00 € submit
NON MEMBERacademiccommercial
Licence: Non Commercial Use - ELRA END USER
0.00 € submit
0.00 € submit
Licence: Commercial Use - ELRA VAR
0.00 € submit
0.00 € submit
15/01/2015 Downloadable
People who looked at this resource also viewed the following: