WikiAtomicEdits

原子维基百科编辑的数据集，包含句子中连续文本块的插入和删除。该数据集包含 8 种语言的约 4300 万次编辑。 原子编辑被定义为应用于自然语言表达式 S 的编辑 e 作为子表达式 P 的插入、删除或替换，使得原始表达式 S 和结果表达式 e(S) 都是格式良好的语义成分（MacCartney，2009）。在这个语料库中，我们发布了对维基百科句子的原子插入和删除。A dataset of atomic Wikipedia edits, which covers insertions and deletions of consecutive text spans within sentences. This dataset contains approximately 43 million edits across 8 languages. Atomic edits are defined as edits e applied to a natural language expression S, where e refers to the insertion, deletion, or replacement of a subexpression P, such that both the original expression S and the resulting expression e(S) are well-formed semantic constituents (MacCartney, 2009). In this corpus, we release atomic insertions and deletions made to Wikipedia sentences.

搜集汇总

背景与挑战

背景概述

WikiAtomicEdits是一个多语言数据集，包含约4300万次对维基百科句子的原子插入和删除编辑，用于语言和话语建模。该数据集由Google Research于2018年发布，基于原子编辑定义，确保编辑前后表达式均为语义成分。