track1

赛道一（中文拼写检查）数据集

本页面主要内容为：

• 1. 数据集下载

• 2. 结果提交格式

1. 数据集下载

1.1 训练集

• 中文 Lang8 学习者数据（与赛道三相同）下载：

下载地址：http://yunpan.blcu.edu.cn:80/link/EDBB933F1FCD49C054F9AB7F65B0A746

有效期限：2022-10-31 23:59

访问密码：eSPB

该数据格式为：

[原始句子]	[修改句子]

其中原始句子与修改句子一一对应，中间使用 "\t" 分隔。

• 中文拼写检查数据（SIGHAN¹+Wang271K²）下载

下载地址：http://yunpan.blcu.edu.cn:80/link/EF0963CBC2A979A71971BFECE8A34234

有效期限：2022-10-31 23:59

访问密码：lO42

该数据格式为：

[原始句子] ||| [修改句子]

其中原始句子与修改句子一一对应，中间使用 " ||| " 分隔。

注意：除Lang-8外，参赛者可使用任意开源数据进行训练。但Lang-8数据只能使用本比赛提供的版本。SIGHAN和Wang271K推荐使用本比赛提供的版本。

1.2 开发集

本赛道提供平行句对（.src, .trg）及修改结果标签(.lbl)文件。

其中.src和.trg的文件格式为：

[id]	[原始句子/修改句子]

每行包含该行的索引及对应的句子两列，每列之间使用 "\t" 分隔。

.lbl 文件为每个句子的错误探测和错误纠正结果，用于模型评估，格式为：

[id], [错误位置], [正确字符], [错误位置], [正确字符], ... 

如果该句不包含错误，则格式为：

[id], 0

每项之间用", "分隔。

1.3 测试集

本赛道的测试数据位置位于test文件夹。

测试数据输入格式为：

[id]	[原始句子]

句子 id 和原始句子之间使用 "\t" 分隔。

2. 结果提交格式

参赛者需要提供与给定原始句子索引对应的预测标签，格式与验证集的.lbl格式相同。

如该句预测出错误及纠正结果，则格式为：

[id], [错误位置], [正确字符], [错误位置], [正确字符], ... 

如该句没有预测出错误，则格式为：

[id], 0

每项之间用", "分隔。

提交前，文件需依规范正确命名，并压缩成 .zip 格式文件的压缩包。

提交结果命名：

track1_test.zip	#压缩包名字
    └── yaclc-csc-test.lbl	# 预测结果文件

参考文献

Footnotes

1. Tseng Yuen-Hsien, Lung-Hao Lee, Li-Ping Chang, and Hsin-Hsi Chen. 2015. Introduction to SIGHAN 2015 Bake-off for Chinese Spelling Check. In Proceedings of the Eighth SIGHAN Workshop on Chinese Language Processing, pages 32–37. (pdf) ↩

2. Wang Dingmin, Yan Song, Jing Li, Jialong Han, and Haisong Zhang. 2018. A Hybrid Approach to Automatic Corpus Generation for Chinese Spelling Check. In Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, pages 2517–27. (pdf) ↩