proxectonos/corpus_dominio_museistico_patrimonio

博物馆遗产语料库汇集了来自官方博物馆词库的专业术语资源，旨在描述、分类和记录文化遗产。该数据集代表了博物馆和遗产领域的技术和描述性记录，特别关注知识的组织概念和层次结构。语料库包含三个独立的西班牙语词库：文化财产词库、主题词库和技术词库，以及一个加利西亚语版本的文化财产词库。数据通过受控的网络爬取过程从西班牙文化遗产词库的网页中自动提取，并以JSONL格式存储，保留了词库的概念结构。该数据集适用于文化遗产领域的专业语言建模、术语分析、本体构建和其他自然语言处理任务。数据集采用CC BY 4.0许可，并感谢西班牙数字转型和公务员事务部以及欧盟NextGenerationEU的资助。

The Corpus museístico-patrimonio gathers specialized terminological resources from official museum thesauri, aimed at the description, classification, and documentation of cultural heritage. The dataset represents a technical and descriptive record specific to the museum and heritage field, with particular attention to the conceptual and hierarchical organization of knowledge. The corpus consists of three independent thesauri in Spanish: the Thesaurus of Cultural Goods, the Thesaurus of Subjects, and the Thesaurus of Techniques, along with a Galician version of the Thesaurus of Cultural Goods. The data was automatically extracted from the web pages of Spains Cultural Heritage Thesauri through controlled scraping processes and is stored in JSONL format, preserving the conceptual structure of the thesaurus. This dataset is intended for specialized language modeling in cultural heritage, terminological and lexicographical analysis, ontology and knowledge resource construction, terminology extraction and normalization experiments, NLP research applied to cultural heritage, and the development of terminological resources in Galician and Spanish. The dataset is licensed under CC BY 4.0 and acknowledges funding from the Spanish Ministry for Digital Transformation and the Civil Service and the EUs NextGenerationEU.

搜集汇总

数据集介绍

构建方式

该语料库通过自动化网页抓取技术，系统性地从西班牙文化遗产词表的官方门户中提取数据。抓取过程以递归方式遍历每个词表的层级结构，从主条目出发，逐一捕获每个概念的核心名称、多语言对应词、定义、范围注释、上下位关系、关联术语及辅助信息。所有条目以JSONL格式存储，每行一个独立对象，并通过字段明确保留词表的完整概念路径，从根节点延伸至具体术语，从而精确保存了知识组织的内在结构。此外，语料库还整合了来自加利西亚语地区多个博物馆的编目记录与描述性文本，进一步丰富了领域的覆盖范围。

特点

该数据集的核心特色在于其双语与多源融合的设计，同时涵盖西班牙语与加利西亚语的专业资源，并巧妙结合了受控词表与自由文本两种知识表达形式。它包含三个独立的西班牙语词表、一个加利西亚语的文化财产词表，以及来自Museo da Limia、圣地亚哥德孔波斯特拉大学虚拟博物馆等机构的编目数据，将术语的精确性与文本描述的丰富性融为一体。数据格式灵活，既有结构化的JSONL词表，也有半结构化的JSON编目文件，字段内容各异，体现了原始来源的多样性和真实性，未经过人工语言校正，保留了原生态的学术价值。

使用方法

研究人员可通过Hugging Face的datasets库便捷加载该数据集，指定特定配置名称如'gl_tesauro_bensculturais'即可获取对应子集。该数据集广泛适用于文化遗产领域的自然语言处理任务，包括但不限于专业语言模型训练、术语自动提取与标准化、本体构建与知识图谱开发、博物馆描述文本的生成与解析，以及多语言信息检索系统的优化。鉴于其字段结构包含层级路径、定义与关系链接，用户可深入挖掘概念间的语义关联，用于术语学分析或跨语言知识对齐实验。使用时需注意字段可用性因来源而异，且加利西亚语版本尚未覆盖所有词表，这为定制化研究提供了明确的边界与机遇。

背景与挑战

背景概述

该数据集由Proxecto Nós项目团队创建，旨在汇集博物馆与文化遗产领域的专业资源，包括术语词表、博物馆目录及文物描述性集合，以支持文化遗产领域的自然语言处理研究。数据集于近年发布，核心研究问题在于如何通过结构化术语和描述性文本，构建面向文化遗产的领域语言模型和知识本体。其影响力体现在为加里西亚语和西班牙语的文化遗产数字化保护提供了基础语料，填补了该领域专业语料库的空白。内容源自西班牙文化遗产词表官方门户，通过自动化爬取技术提取层次化概念结构，并整合了多个加里西亚博物馆的目录数据，为文化遗产的信息检索、实体抽取和术语标准化研究奠定了重要基础。

当前挑战

该数据集解决的核心领域问题是文化遗产相关文本的缺乏结构化术语资源和多语言覆盖不足的挑战。具体而言，博物馆和文化遗产领域的术语系统往往分散且未标准化，导致跨机构信息检索困难；同时加里西亚语等少数语言的术语资源极度匮乏。在构建过程中，数据集面临了自动爬取技术对复杂层次化词表结构的准确还原挑战，需在无人工修正条件下保持概念间的上下位关系和同义链接。此外，多源异构数据的整合也是一大难点，不同来源的目录格式和字段定义存在差异，需进行最小化的清洗与格式转换，同时避免引入语义偏差。最终数据虽覆盖术语定义、层级路径和关联图像，但仍受限于原始数据的完整性与一致性，尚未完成对所有词表的加里西亚语版本扩展。

常用场景

经典使用场景

该数据集汇聚了西班牙与加利西亚语的双语博物馆及文化遗产领域专业语料，涵盖术语词表、藏品目录与元数据记录，为构建文化遗产领域的专用语言模型提供了基础。其结构化信息可用于术语抽取、层级关系建模与知识图谱构建，尤其适用于训练领域受限的语言生成模型，支持对博物馆藏品描述、历史技法分类及文化遗产概念体系的高质量文本生成与细粒度语义理解。

解决学术问题

该数据集有效解决了文化遗产领域双语术语匮乏与语义关系散乱的问题，为多语言知识表示与跨语种信息检索提供了可复用的结构化资源。通过系统整合官方词表与机构馆藏，它支持本体论构建、术语规范化研究以及领域概念层级推理，推动了数字人文中博物馆知识组织的标准化进程，为低资源语言（加利西亚语）在文化遗产信息处理中的深度参与奠定了数据基础。

衍生相关工作

该数据集衍生出了一系列以领域自适应语言模型为核心的经典工作，包括在博物馆文本上微调的ALIA系列模型，以及用于术语标准化与多语言对齐的知识增强型预训练结构。相关研究还探索了基于该语料的层级化概念嵌入蒸馏、跨库元数据融合技术，并催生了面向加利西亚语遗产资源的命名实体识别与关系抽取工具集，完善了低资源文化遗产计算的理论体系。