首届国际“远见杯”元智能数据挑战大赛

一、赛题名称 沉积学知识图谱中实体识别 

二、赛题简介 近年来，沉积学领域的学者将研究热点转向文本文献，这是因为 文本文献中含有丰富的语义关系与关键信息特征。然而，人工智能已 经成功地对多种文本实体进行建模与学习。本赛题关注自动构建领域 文献的数据集以完成信息提取生成这一任务，以沉积学 PDF 文本为 输入信号，提取对应的文本内关键实体。 

三、功能要求 如图 1 所示，本赛题要求参赛者从提供的沉积学文献中识别出所 涉及到的关键信息，包括但不限于： 

（1）物质信息：群组、生物、地层等（例如群组单词 Formation， 还需识别出前面 A 或 B 关键词，形成有研究价值关键词，A Formation 或 A B Formation）。 

（2）时间信息：时期（例如白垩纪时期，还需识别出前面修饰 词形成有研究价值关键词，早白垩纪时期）、MA（百万年）等。 

（3）地点信息：山脉等。 数据集说明： （1）数据集包含但不仅限于本赛题所提供数据集，可自行设计 生成数据集方法，或改良本赛题所提供的数据集生成方法。 

输入输出说明： （1）输入为文本数据可自行下载补充，但文本要为互联网公开 语料，格式为 PDF。（2）输出为提取的关键信息，其中至少分成物质信息、时间信 息、地点信息三种情况。 

实验效果说明： （1）如图二所示，本赛道已用 BiLSTM-CRF 命名体识别模型， 最终各标签准确率均要大于基准模型准确率。 

图 1：沉积学语句抽取用例可视化 

图 2：模型各标签准确率 

四、实现条件 

开发语言：推荐 Python 

操作系统：windows 

运行环境：PyTorch 或 Tensorflow 

五、赛题数据 本赛题提供沉积学数据集。该数据集包含训练集、验证集与测试 集。比赛开始后将公布训练集与验证集，测试语句列表将在作品提交 截止日期前 3 天公布。

数据集与案例模型下载链接为： https://github.com/zhichen-roger/Sedimentological-data-sets.git 

六、作品提交要求 

1、 模型设计报告，采用规定英文模板撰写并提交。需要给出模 型在验证集、测试集上的评价指标和各标签指标； 

2、 模型训练代码、模型权重。需要给出相关依赖软件包版本号， 保证可复现性； 

3、 模型在给定测试语句列表上的生成结果演示视频（≤3 分钟）。 测试语句列表将在作品提交截止日期前 3 天公布。 

七、评分标准 比赛最终得分由初赛预测评测指标、报告及演示视频得分、答辩 现场表现得分三部分构成，上述三部分得分占比分别为 40%、30%、 30%。参赛队伍提交的模型将在测试语句集上通过识别种类、实际识 别误差、算法准确率、算法耗时这 4 种评价指标进行性能评测。评价 指标的详细定义以及代码实现见数据集与识别模型的下载链接。 

国际“远见杯”元智能数据挑战大赛组委会 

2022 年 3 月