T CIATCM 100—2023 中医药文本挖掘数据集构建规范.pdf

ICS35.240.80

团体标准

T/CIATCM1002023

—

中医药文本挖掘数据集构建规范

SpecificationfortheconstructionofTraditionalChineseMedicinetextmining

datasets

2023-07-15发布2023-08-01实施

中国中医药信息学会发布

T/CIATCM100—2023

目次

前言II

1范围1

2规范性引用文件1

3术语和定义1

4构建原则1

4.1目标明确1

4.2确定标准1

4.3迭代改进1

4.4评估性强1

5构建一般步骤2

6构建主要方法2

6.1明确建模需求2

6.2数据标注加工2

6.3数据审核评估2

6.4数据修订完善2

附录A（资料性）文本数据常见标注加工模式3

A.1需求方标注3

A.2第三方标注3

A.3众包标注3

附录B（资料性）面向信息抽取的文本数据常见标注方法4

B.1命名实体识别数据集标注方法4

B.2关系抽取数据集标注方法4

I

T/CIATCM100—2023

中医药文本挖掘数据集构建规范

1范围

本文件规定了中医药临床病历、古籍、文献等适用于机器学习领域文本挖掘数据集构建的基本

原则和要求。

本文件适用于中医医疗、科研、教学、信息化建设等领域数据处理、交换与共享。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注明日期的引

用文件，仅该日期对应的版本适用于本文件；未注明日期的引用文件，其必威体育精装版版本（包括所有的修

改单）适用于本文件。

GB/T20000.1—2014标准化工作指南第1部分：标准化和相关活动的通用术语

T/CIATCM058—2019中医药信息标准编制通则

3术语和定义

下列术语和定义适用于本文件。

3.1

基准数据集benchmarkdataset

用于机器学习模型训练的，符合一定规范要求的数据集。

3.2

文本挖掘数据集datasetfortextmining

适用于文本挖掘任务，如命名实体识别、关系抽取、文本分类等模型训练与测试要求的数据集。

4构建原则

4.1目标明确

明确数据集所要解决的实际问题，确定数据标注的深度与广度。

4.2确定标准

数据集自身采用的标签与特征应达到行业共识，确保数据集的规范性和可靠性。

4.3迭代改进

构建最小必要数据集完整闭环