Corpus d’évènements en bulgare

Le Corpus d’évènements en bulgare est un corpus de 324 905 tokens adéquats pour l’entraînement de modèles de reconnaissance d’entités nommées (« Named Entity Recognition – NER »), de relations entre entités nommées (« Named Entity Linking – NEL ») et de reconnaissance d’évènements dans un contexte multi-domaine dans le cadre des sciences sociales et humaines : articles scientifiques, documents d’archives, documents populaires et articles Wikipédia dans les domaines d’intérêt.

Le schéma d’annotation reflète le raisonnement derrière l’ontologie CIDOC-CRM puisque cette ontologie a été largement employée dans les domaines du GLAM et des sciences humaines. Le schéma d’annotation envisage deux couches principales, la première au niveau de l’entité nommée avec 16 types correspondants et la seconde au niveau de l’évènement où chaque événement est connecté à ses participants avec 39 étiquettes d’événements.