conll2003

### cross_ner_ai 细粒度命名实体识别

数据分为10个标签类别，分别为:
地址（address），
书名（book），
公司（company），
游戏（game），
政府（goverment），
电影（movie），
姓名（name），
组织机构（organization），
职位（position），
景点（scene）

数据详细介绍、基线模型和效果测评，见 https://github.com/CLUEbenchmark/CLUENER

技术讨论或问题，请项目中提issue或PR，或发送电子邮件到 [e-mail]

* 测试集上SOTA效果见榜单：www.CLUEbenchmark.com

### Clone with HTTP
```bash
git clone https://www.modelscope.cn/datasets/yingxi/cross_ner_ai.git
```
### Clone with HTTP
```bash
git clone https://www.modelscope.cn/datasets/yingxi/conll2003.git
```

### cross_ner_ai 细粒度命名实体识别

该数据集共包含10个标签类别，具体如下：
地址（address）、
书名（book）、
公司（company）、
游戏（game）、
政府（goverment）、
电影（movie）、
姓名（name）、
组织机构（organization）、
职位（position）、
景点（scene）

该数据集的详细介绍、基线模型与效果评测，请参见：https://github.com/CLUEbenchmark/CLUENER

若有技术讨论或相关问题，请在项目中提交issue或PR，或发送电子邮件至 [e-mail]

测试集上的当前最优（SOTA）效果请参见榜单：www.CLUEbenchmark.com

### HTTP 克隆方式
bash
git clone https://www.modelscope.cn/datasets/yingxi/cross_ner_ai.git

### HTTP 克隆方式
bash
git clone https://www.modelscope.cn/datasets/yingxi/conll2003.git

搜集汇总

背景与挑战

背景概述

该数据集用于中文细粒度命名实体识别任务，包含地址、书名、公司、游戏、政府、电影、姓名、组织机构、职位和景点共十个标签类别。数据详细介绍、基线模型和效果测评可在相关GitHub仓库查看。