Texte NLP GT Textes Presse Europeana Newspapers Documents

Texte de presse annoté en entités nommées

Présentation

Ces jeu de données sont constitués de textes extraits de documents des collections de presse traitées durant les projets européens Europeana Newspapers et NewsEye et dont les d’entités nommées ont été annotées. 

 

tags-ner_0

Contenu du jeu de données

Europeana Newspapers

Ce jeu de vérité terrain contient 207 fichiers annotés de 1000 mots chacun. Ils sont extraits du corpus de presse numérisée de Gallica traité durant le projet européen Europeana Newspapers (cf. fichier Training Data Set_medata.xlsx, 4 titres de presse). La période couverte est 1870-1945, les entités nommées sont au nombre de 14k.

Chaque fichier identifie le document numérique source (identifiant à sept chiffres) :

Newspapers/NER_corpus_validation-oct2014/Extraction_pour_annotation/EXTRACTION_2/0641047/txt/X0000001

Le texte annoté est ensuite fourni (étiquetage IOB, Ramshaw & Marcus, 1995) :

Emmanuel I-PERS
DESOLES I-PERS
de O
LOU O
Directeur O
politique O
BÊ>ÀCTION O
ET O
ADMINISTRATION O
9& O
, O
Rue I-LIEU
du I-LIEU
Pré-Botté I-LIEU
, O
aS O
RENNES I-LIEU
ABONNEMENTS O
...

NewsEye

Ce jeu contient 12k entités annotées parmi 7 titres de presse. Le format est également IOB (voir description).

Contexte de production

Ces corpus ont été produits durant les projets de recherche européens Europeana Newspapers (2012-2015) et Newseye (2018-2022).

Europeana Newspapers

Les autres corpus annotés du projet sont également disponibles (allemand, flamand), ainsi que les classifieurs entraînés (Stanford NER) :

Newseye

  • "A Multilingual Dataset for Named Entity Recognition, Entity Linking and Stance Detection in Historical Newspapers" (Zenodo)

Exemples d’utilisation