Hugging Face's logo

Datasets:
issai
/
KazNERD

Modalities:
Text
Formats:
text
Size:
1M - 10M
Libraries:
Datasets
Dataset card Viewer Files Community
1
Dataset Viewer
Auto-converted to Parquet
Full Screen
text
stringlengths
0
41
Еуразиялық B-LAW
экономикалық I-LAW
одақ I-LAW
туралы I-LAW
шартқа I-LAW
қол O
қойылған O
күн O
. O
Ол O
— O
Біріккен B-LAW
Ұлттар I-LAW
Ұйымының I-LAW
Бала I-LAW
құқықтары I-LAW
туралы I-LAW
конвенциясы I-LAW
. O
« O
Бұзақылық B-LAW
» O
бабы O
бойынша O
ол O
қамауға O
алынады O
немесе O
айыппұлмен O
жазаланады O
. O
Сонымен O
Әкімшілік B-LAW
кодекстің I-LAW
төрт I-LAW
жүз I-LAW
жетпіс I-LAW
алтыншы I-LAW
бабы I-LAW
бойынша O
төтенше O
жағдай O
режимін O
бұзғандар O
. O
Сонымен O
Әкімшілік B-LAW
кодекстің I-LAW
476-ншы I-LAW
бабы I-LAW
бойынша O
төтенше O
жағдай O
режимін O
бұзғандар O
. O
Оның O
үстіне O
жаңа O
тариф O
Экологиялық B-LAW
кодекстің I-LAW
талаптарына O
сай O
келеді O
. O
« O
Тұрғын B-LAW
үй I-LAW
қатынастары I-LAW
туралы I-LAW
» O
заңға O
сәйкесте O
. O
Олардың O
көбі O
қазақ B-LANGUAGE
әдебиетінің O
жауһарларымен O
танысып O
, O
өз O
тілдеріне O
аударып O
, O
бірнеше O
еңбек O
жазып O
шығарған O
. O
Орысша B-LANGUAGE
End of preview. Expand in Dataset Viewer.
YAML Metadata Warning: empty or missing yaml metadata in repo card (https://huggingface.co/docs/hub/datasets-cards)

KazNERD: Kazakh Named Entity Recognition Dataset

Dataset Summary:

The KazNERD dataset provides a valuable resource for Kazakh Named Entity Recognition (NER). It comprises 112,702 sentences extracted from television news text, manually annotated by two native Kazakh speakers under expert supervision. The dataset uses the IOB2 tagging scheme and features 136,333 annotations across 25 entity classes. Accompanying annotation guidelines (in Kazakh) and code for training various NER models (CRF, BiLSTM-CNN-CRF, BERT, and XLM-RoBERTa) are also publicly available.

Dataset Details:

  • Source: Television news text.
  • Size: 112,702 sentences, 136,333 annotations.
  • Annotation scheme: IOB2
  • Number of entity classes: 25
  • License: CC BY 4.0
  • Repository: https://github.com/IS2AI/KazNERD

Languages:

  • Kazakh

Data Fields:

The data is provided in the CoNLL 2002 format. Specific field descriptions are available within the dataset files.

Additional Information:

The dataset includes annotation guidelines (in Kazakh) clarifying the annotation process. The repository also contains code for training NER models using different architectures, allowing for easy replication of the reported results.

Downloads last month
16
Size of downloaded dataset files:
43.3 MB
Size of the auto-converted Parquet files:
23.5 MB
Number of rows:
3,083,941