CJ-IE：中文信息抽取与抽取相关决策数据

把公开的中文 NER、关系和事件语料整理成一种格式：类型带定义的跨度抽取，加上同一批语料派生的选择题 / 判断题

GitHub 代码 · 构建说明 IE_DATASET.md · 用它训练的模型 Chinese Decision Unified 0.8B

English summary. CJ-IE is a Chinese information-extraction collection built from 39 public NER, relation and event corpora. It has three parts: extraction (span rows whose entity types carry a name and a definition, 669,982 rows), decision (multiple-choice and yes/no questions derived from the same corpora, in the CJ-Dataset format, 708,802 rows) and structured (full entity / relation / event annotations kept for end-to-end evaluation, 142,192 rows). It was used to train the extraction readout of Chinese Decision Unified 0.8B. CJ-IE is a compilation of third-party corpora with different licenses, some of them non-commercial or restrictive (see License); it has no single license, and you must follow the terms of every source you use.

数据集简介

CJ-IE 由 Chinese Decision 项目整理，用来训练 Chinese Decision Unified 0.8B 的抽取读出，同时给它提供“与抽取相关的分类任务”。它做的事情是格式和类型体系的统一，而不是新标注：

• 统一的跨度格式：每一行是 文本 + 类型表（名称和定义）+ 实体跨度。类型的定义随行给出，所以同一个模型可以“按定义找”，而不是记住某个语料的标签集。
• 统一的类型名称与定义：所有 NER 来源统一使用 B2NERD 标准化后的中文标签及其定义，“人名”在不同语料中含义一致；标注规范的差异由定义体现。
• 关系和事件也写成跨度：关系把“主体 + 谓词”写进类型名，跨度是客体；事件把“触发词 + 论元角色”作为类型，跨度是触发词和论元。
• 派生的决策题：同一批语料派生出选择题和是 / 否判断（实体类型、关系判断、事件类型、事件大类、公告字段），格式与 CJ-Dataset 相同。
• 严格的划分与去泄漏：按文本稳定哈希划分，同一文本的所有视图在同一划分里；跨语料重叠的记录已丢弃。

子集	内容	train	dev	test	合计
extraction	跨度行（NER / 关系客体 / 事件论元）	573,294	11,647	85,041	669,982
decision	派生的选择 / 判断题	611,354	12,554	84,894	708,802
structured	完整的实体 / 关系 / 事件标注（用于端到端评测）	125,859	1,295	15,038	142,192

跨度行里的实体数：train 1,621,219，dev 42,198，test 232,291。三个子集合计 1,520,976 行，约 2.2 GB（JSONL，UTF-8）。

structured 与前两个子集来自同一批原始记录，用于端到端评测（例如完整的三元组、事件结构），不建议与 extraction 混在一起训练。

数据结构

CJ-IE/
├── extraction/{task}_{source}.{train,dev,test}.jsonl   跨度行，每个来源一个文件（共 105 个文件）
├── decision/{train,dev,test}.cases.jsonl               决策题，各来源随机交错
├── structured/{source}.{train,dev,test}.jsonl          DuIE / CMeIE / DuEE / FewFC 的完整结构
├── manifest.json                                       构建参数、逐文件计数、过滤统计、各来源类型表
└── README.md                                           本数据卡

extraction：跨度行

{"id": "ner/msra/train/train-4166",
 "source": "ner_msra",
 "text": "下半场后半段，中国队表现稍有起色，但同成熟的俄罗斯队比起来终究要逊一筹。",
 "types": [
   {"key": "LOC", "name": "地名或地理政治实体", "description": "文本中独立出现的具体地理位置或地理政治实体,包括国家、城市、街道、建筑物、自然地标,地区等"},
   {"key": "ORG", "name": "组织机构名", "description": "文本中独立出现的组织机构完整名称,包括政府部门、公司企业、非政府组织、新闻媒体、政党等,注意名称中连带的地名实体不单独提取"},
   {"key": "PER", "name": "人名", "description": "文本中的个人姓名,包括姓名和单独出现的姓或名,提取时不要带上尊称(如'先生')"}],
 "entities": [{"start": 7, "end": 10, "label": "ORG"}, {"start": 22, "end": 26, "label": "ORG"}],
 "_meta": {"source_family": "ner:msra", "task_id": "ner", "source": "msra", "dataset": "MSRA-NER",
           "quality": "gold", "domain": "news", "split": "train", "group_key": "msra:train-4166"}}

字段	说明
id、source	行标识和来源文件名（如 ner_msra）
text	文本，已按 ≤ 300 字切窗
types	本行可用的类型表：key（entities[].label 引用它）、name（显示名称）、description（定义）
entities	实体跨度：start / end 是字符下标，左闭右开，label 对应 types[].key；可以为空（负样本）
_meta	source_family（<任务>:<来源>）、task_id、dataset、quality、domain、split、group_key（同一原始记录的所有视图共享，用于防泄漏），事件行还有 event_type

三类任务的跨度行：

task_id	来源	一行是什么
ner	32 个 NER 来源	一段文本 + 该语料的全部类型及定义
re_object	DuIE、CMeIE	每个主体一行。类型名写成“{主体}的{谓词}”，description 写客体的类型，跨度是客体；主体只出现在类型文本里，模型必须读类型才知道要抽什么
ee_argument	DuEE、FewFC	每个（句子，事件类型）一行。类型是“触发词”和该事件的论元角色。另有 25% 的句子附加一行“未出现的事件类型”，不含任何跨度

关系行的例子（谓词在类型名里，客体是跨度）：

{"id": "re_duie/train/train-121746#0",
 "text": "维克多·雨果《巴黎圣母院》《悲惨世界》《九三年》巴尔扎克《高老头》《欧也妮·葛朗台》莫泊桑《羊脂球》",
 "types": [{"key": "作者", "name": "九三年的作者", "description": "人物"}],
 "entities": [{"start": 0, "end": 6, "label": "作者"}]}

事件行的例子：

{"id": "ee_duee/train/train-8440#1",
 "text": "昨天上午9时30分许，普陀区真北路梅川路路口发生一起交通事故：一辆搅拌车在路口撞击一辆非机动车，造成一名阿婆不幸身亡。",
 "types": [
   {"key": "trigger", "name": "触发词", "description": "表示“车祸”事件发生的核心词"},
   {"key": "受伤人数", "name": "受伤人数", "description": "“车祸”事件的受伤人数"},
   {"key": "地点", "name": "地点", "description": "“车祸”事件的地点"},
   {"key": "时间", "name": "时间", "description": "“车祸”事件的时间"},
   {"key": "死亡人数", "name": "死亡人数", "description": "“车祸”事件的死亡人数"}],
 "entities": [{"start": 0, "end": 10, "label": "时间"}, {"start": 11, "end": 22, "label": "地点"},
              {"start": 39, "end": 41, "label": "trigger"}, {"start": 50, "end": 52, "label": "死亡人数"}]}

decision：派生的决策题

（这个子集没有配成 datasets 的 config，见怎么加载。）格式与 CJ-Dataset 相同：state（题干里的上下文）、questions（noul 是 / 否，或 choice 单选，候选项不超过 16 个，也是模型训练时见过的上限）、gold（标准答案）、_meta。多个正确答案时，gold 写成均分的概率分布。

{"id": "ee_type/fewfc/test/test_trans-a56d54842465366ea23514309b937ffa#签署合同",
 "state": {"句子": "其中中国银联在全国范围内与近200个城市近8000个停车场合作;建设银行深圳分行在深圳市签约了2500余家停车场开展无感支付业务。"},
 "questions": {"q": {"type": "noul", "instructions": "这句话是否描述了“签署合同”事件（合作双方在合同等书面文件上签字或盖章确立合作关系）？"}},
 "gold": {"q": "true"},
 "_meta": {"source_family": "ee_type:fewfc", "task_id": "ee_type", "source": "fewfc", "dataset": "FewFC",
           "quality": "gold", "domain": "finance", "split": "test", "event_type": "签署合同"}}

task_id	题型	来源	内容	train / dev / test
re_pair	choice	DuIE、CMeIE、FinRE、SanWen	给定主体和客体，选关系或“无关系”。DuIE / CMeIE 的负例是同句中类型允许、但没有标注关系的有序实体对，数量为正例的一半	345,513 / 5,233 / 40,417
ner_typing	choice	32 个 NER 来源	文本中用【】标出一个实体，从该语料的类型中选择（不超过 16 个）	184,660 / 4,728 / 20,312
ee_type	noul	DuEE、FewFC	这句话是否描述了某事件类型；每句包括它的全部事件类型，外加一个未出现的类型	30,812 / 915 / 13,604
ee_category	choice	DuEE、FewFC	DuEE：只含一个大类的句子，9 选 1；FewFC：只含一种事件的句子，10 类加“无上述事件”	13,339 / 404 / 5,863
doc_field	choice	ChFinAnn	某事件的某个字段是哪一个提及（候选为同类提及），或“公告未提及”。只在该类事件的各条记录取值一致时提问	21,372 / 743 / 2,756
doc_event	noul	ChFinAnn	公告是否披露了某类股权事件（5 类）	15,658 / 531 / 1,942

structured：完整结构

保留原语料的完整标注，用于端到端评测，不用于直接训练。duie.* 和 cmeie.* 是 entities + relations（subject / object 是 entities 的下标）；duee.* 和 fewfc.* 是 events（每个事件有 type 和带角色的 mentions）。

{"id": "duie/test/validation-18033", "source": "duie",
 "text": "饭间，毛泽东特意向周恩来介绍说，“这是王观澜的爱人徐明清",
 "entities": [{"start": 19, "end": 22, "text": "王观澜", "labels": ["人物"]}, {"start": 25, "end": 28, "text": "徐明清", "labels": ["人物"]}],
 "relations": [{"subject": 0, "predicate": "妻子", "object": 1}, {"subject": 1, "predicate": "丈夫", "object": 0}]}

怎么加载

下载整个数据集（约 2.2 GB）：

hf download quincyqiang/CJ-IE --repo-type dataset --local-dir CJ-IE
modelscope download --dataset quincyqiang/CJ-IE --local_dir CJ-IE

extraction 和 structured 可以直接用 datasets 读取，各自带 train / validation / test：

from datasets import load_dataset

ner_train = load_dataset("quincyqiang/CJ-IE", "extraction", split="train")
structured_test = load_dataset("quincyqiang/CJ-IE", "structured", split="test")

decision 没有配成 datasets 的 config：它沿用 CJ-Dataset 的格式，gold 里的值在单个正确答案时是字符串，在多个正确答案时是概率字典，同一列里类型不一致，datasets 的 JSON 读取器无法统一。请直接读 JSONL：

import json

with open("CJ-IE/decision/test.cases.jsonl", encoding="utf-8") as f:
    for line in f:
        case = json.loads(line)
        if case["_meta"]["task_id"] == "re_pair":      # 用 _meta 按任务或来源过滤
            print(case["questions"]["q"]["instructions"], case["gold"]["q"])
            break

extraction 同样可以直接读文件，并用类型表把标签还原成名称：

with open("CJ-IE/extraction/ner_msra.test.jsonl", encoding="utf-8") as f:
    row = json.loads(next(f))
types = {t["key"]: t["name"] for t in row["types"]}
for e in row["entities"]:
    print(row["text"][e["start"]:e["end"]], types[e["label"]])

extraction 各来源的 _meta 字段不完全相同（例如事件行多一个 event_type），datasets 会把它们合并成一个较宽的结构。需要逐来源处理时，直接读文件更省事。

构建方法

构建脚本是 scripts/build_ie_data.py，转换代码在 decision/data/ie/，设计细节见 IE_DATASET.md。本数据集由默认参数构建（随机种子 42），manifest.json 记录了完整的构建参数、逐文件计数和过滤统计。

• 切窗：文本按 ≤ 300 字切窗；公告类长文本最多取 3,000 字。
• 采样上限：每个来源每个划分有行数上限（默认 train 50,000 / dev 500 / test 5,000；DuIE train 100,000；ChFinAnn 按公告条数 train 8,000 / dev 300 / test 1,000），避免个别大来源淹没小来源。ner_typing 每个来源 train 10,000 / dev 200 / test 1,000。
• 类型名称与定义：NER 来源统一使用 B2NERD 标准化后的中文标签。独立下载的语料（MSRA、CLUENER、Resume、Weibo、CMeEE-V2、Boson、MultiCoNER2）把原始标签映射到 B2NERD 中同一语料的标签，在训练文本上与 B2NERD 逐条对照，99% 以上的实体一致。显示名称经过整理（如“组织机构名->公司”写作“公司”），没有定义的编号变体（如“品牌名2”）并入基础标签；WikiANN 和 MultiNERD 不在 B2NERD 中，使用本项目编写的中文名称和定义。
• 实体定位：B2NERD 的实体只给出类型和名称，没有位置。处理方式是名称的每次出现都标为实体，但跳过与先放置的更长实体重叠的位置；只在更长实体内部出现的名称，按嵌套实体放在第一次出现处；名称在文本中找不到的行整行丢弃（本次为 0 行）。CMeIE 的主体和客体也按同样方法定位。
• 负例：re_pair 的负例数量为正例的一半；ee_argument 有 25% 的句子附加一行未出现的事件类型（无跨度）；doc_field 有 20% 的“公告未提及”。
• 去重与去泄漏：构建日志统计丢弃了 180,190 条重复记录和 12,896 条与 held-out 划分重叠的记录。主要是 MSRA train 中属于人民日报 dev / test 的 4,955 条，以及 CMeIE / CMeEE-V2 之间共享的医学段落（分别为 2,506 条和 916 条）；另有 59 个训练窗口与 held-out 窗口文本相同，也被丢弃。构建后核对：train、dev、test 两两之间规范化后完全相同的文本为 0（跨度行和决策都已检查）。
• 划分：使用文本的稳定哈希，重跑结果相同；公开 test 没有标签的语料（CLUENER、CMeEE-V2、CMeIE、DuIE、DuEE）用官方 dev 作为 test，dev 从 train 切出 3%。PeopleDaily-NER 只保留 dev / test（它的全部文本都包含在 MSRA 中）；Microbiota 只有 99 句，全部作为训练集。

来源

共 39 个来源（32 个 NER、2 个关系、2 个事件，另有 FinRE、SanWen 和 ChFinAnn 只提供决策题）。质量标签：gold 为人工标注，silver 为自动标注（WikiANN、MultiNERD），distant 为远程监督（ChFinAnn）。

来源	原始数据集	领域	质量	任务
msra	MSRA-NER	news	gold	ner、ner_typing
people_daily	PeopleDaily-NER	news	gold	ner、ner_typing
cluener	CLUENER2020	general	gold	ner、ner_typing
resume	Resume-NER	general	gold	ner、ner_typing
weibo	Weibo-NER	social	gold	ner、ner_typing
cmeee_v2	CMeEE-V2	medical	gold	ner、ner_typing
boson	Boson-NER	news	gold	ner、ner_typing
multiconer2	MultiCoNER2-zh	general	gold	ner、ner_typing
wikiann	WikiANN-zh	general	silver	ner、ner_typing
multinerd	MultiNERD-zh	general	silver	ner、ner_typing
bank	B2NERD / bank	finance	gold	ner、ner_typing
cail2021	B2NERD / CAIL2021	legal	gold	ner、ner_typing
cail2022	B2NERD / CAIL2022	legal	gold	ner、ner_typing
ccks2017	B2NERD / CCKS2017	medical	gold	ner、ner_typing
ccks2019	B2NERD / CCKS2019	medical	gold	ner、ner_typing
ccks2020	B2NERD / CCKS2020	medical	gold	ner、ner_typing
ccks2021address	B2NERD / CCKS2021address	general	gold	ner、ner_typing
chineseliterature_ner	B2NERD / chineseliterature-ner	general	gold	ner、ner_typing
fned	B2NERD / FNED	general	gold	ner、ner_typing
gaiic2022	B2NERD / gaiic2022	ecommerce	gold	ner、ner_typing
imcs21	B2NERD / imcs21	medical	gold	ner、ner_typing
math_high	B2NERD / math-high	education	gold	ner、ner_typing
microbiota	B2NERD / Microbiota	medical	gold	ner、ner_typing
military_ner	B2NERD / military-ner	military	gold	ner、ner_typing
multiconer22	B2NERD / multiconer22	general	gold	ner、ner_typing
nlpcc2018	B2NERD / nlpcc2018	dialogue	gold	ner、ner_typing
peopledaily2014	B2NERD / peopledaily2014	general	gold	ner、ner_typing
ruijinmcc	B2NERD / ruijinmcc	medical	gold	ner、ner_typing
taobao	B2NERD / Taobao	ecommerce	gold	ner、ner_typing
wanchuang	B2NERD / wanchuang	medical	gold	ner、ner_typing
youku	B2NERD / youku	general	gold	ner、ner_typing
zh_ontonotes	B2NERD / zh-ontonotes	general	gold	ner、ner_typing
duie	DuIE-HF	general	gold	re_object、re_pair
cmeie	CMeIE	medical	gold	re_object、re_pair
finre	FinRE	finance	gold	re_pair
sanwen	SanWen-RE	literature	gold	re_pair
duee	DuEE-HF	news	gold	ee_argument、ee_category、ee_type
fewfc	FewFC	finance	gold	ee_argument、ee_category、ee_type
chfinann	ChFinAnn	finance	distant	doc_event、doc_field

逐来源的跨度行数 / 实体数

文件	train 行 / 实体	dev 行 / 实体	test 行 / 实体
ee_duee	15,085 / 40,155	465 / 1,224	1,974 / 5,250
ee_fewfc	4,878 / 19,665	126 / 516	6,869 / 24,834
ner_bank	9,217 / 15,385	267 / 422	501 / 772
ner_boson	2,334 / 19,018	67 / 600	183 / 1,315
ner_cail2021	4,004 / 20,603	111 / 575	1,045 / 5,427
ner_cail2022	417 / 4,207	10 / 103	108 / 1,159
ner_ccks2017	2,785 / 53,438	76 / 1,555	305 / 5,611
ner_ccks2019	2,261 / 21,619	64 / 628	171 / 1,638
ner_ccks2020	2,752 / 22,290	108 / 908	177 / 1,496
ner_ccks2021address	8,518 / 41,298	270 / 1,310	1,969 / 9,828
ner_chineseliterature_ner	23,266 / 131,344	487 / 2,859	2,839 / 16,455
ner_cluener	10,429 / 23,248	312 / 699	1,343 / 3,072
ner_cmeee_v2	13,742 / 74,309	420 / 2,575	5,040 / 26,081
ner_fned	9,664 / 207,694	323 / 6,797	482 / 10,611
ner_gaiic2022	6,221 / 93,723	192 / 2,973	356 / 5,356
ner_imcs21	50,000 / 42,163	497 / 409	5,000 / 4,108
ner_math_high	1,298 / 7,219	47 / 244	258 / 1,514
ner_microbiota	98 / 162	—	—
ner_military_ner	313 / 2,736	10 / 81	80 / 647
ner_msra	39,999 / 64,275	443 / 643	4,323 / 6,160
ner_multiconer2	9,124 / 13,774	498 / 763	5,000 / 6,899
ner_multiconer22	15,220 / 23,879	500 / 822	5,000 / 5,707
ner_multinerd	50,181 / 66,740	490 / 639	5,028 / 6,545
ner_nlpcc2018	13,390 / 9,149	420 / 272	728 / 505
ner_people_daily	—	501 / 846	4,641 / 7,707
ner_peopledaily2014	50,692 / 136,279	505 / 1,245	5,084 / 13,760
ner_resume	3,798 / 13,393	462 / 1,496	476 / 1,630
ner_ruijinmcc	25,808 / 124,467	547 / 2,534	2,999 / 14,774
ner_taobao	3,916 / 19,278	467 / 2,298	957 / 4,677
ner_wanchuang	2,276 / 37,315	93 / 1,547	137 / 2,222
ner_weibo	1,170 / 1,601	253 / 374	262 / 410
ner_wikiann	17,817 / 22,577	490 / 621	5,003 / 6,234
ner_youku	7,579 / 12,393	489 / 796	990 / 1,573
ner_zh_ontonotes	14,481 / 12,783	499 / 772	4,311 / 7,359
re_cmeie	14,602 / 34,517	461 / 1,123	4,626 / 11,522
re_duie	135,959 / 188,523	677 / 929	6,776 / 9,433

逐来源的决策题数

source_family	train	dev	test
doc_event:chfinann	15,658	531	1,942
doc_field:chfinann	21,372	743	2,756
ee_category:duee	10,866	347	1,406
ee_category:fewfc	2,473	57	4,457
ee_type:duee	23,532	733	3,045
ee_type:fewfc	7,280	182	10,559
ner_typing:bank	8,243	200	445
ner_typing:boson	1,588	49	129
ner_typing:cail2021	3,899	108	1,000
ner_typing:cail2022	387	9	100
ner_typing:ccks2017	1,765	51	201
ner_typing:ccks2019	1,210	32	92
ner_typing:ccks2020	1,292	51	85
ner_typing:ccks2021address	8,517	200	1,000
ner_typing:chineseliterature_ner	10,000	200	1,000
ner_typing:cluener	10,000	200	1,000
ner_typing:cmeee_v2	10,000	200	1,000
ner_typing:fned	9,662	200	480
ner_typing:gaiic2022	6,221	192	356
ner_typing:imcs21	10,000	200	1,000
ner_typing:math_high	1,298	47	258
ner_typing:microbiota	60	0	0
ner_typing:military_ner	310	10	80
ner_typing:msra	10,000	200	1,000
ner_typing:multiconer2	9,124	200	1,000
ner_typing:multiconer22	10,000	200	1,000
ner_typing:multinerd	10,000	200	1,000
ner_typing:nlpcc2018	8,473	200	466
ner_typing:people_daily	0	200	1,000
ner_typing:peopledaily2014	10,000	200	1,000
ner_typing:resume	3,699	200	461
ner_typing:ruijinmcc	10,000	200	1,000
ner_typing:taobao	3,910	200	957
ner_typing:wanchuang	1,082	40	63
ner_typing:weibo	617	139	159
ner_typing:wikiann	10,000	200	1,000
ner_typing:youku	7,540	200	980
ner_typing:zh_ontonotes	5,763	200	1,000
re_pair:cmeie	66,187	2,177	22,317
re_pair:duie	250,252	1,219	12,538
re_pair:finre	12,268	998	3,358
re_pair:sanwen	16,806	839	2,204

用途

• 训练和评测抽取模型：尤其适合“类型带定义”的开放类型抽取。用它训练的 Chinese Decision Unified 0.8B 在 CJ-IE 测试集上的抽取 micro F1 为 63.1（精确率 73.3，召回率 55.5，精确匹配），决策题整体准确率 90.65%。
• 多任务训练：extraction 对应跨度头，decision 对应决策头，两者可以在同一个批次流里混合。
• 研究 NER / 关系 / 事件在统一格式下的迁移。

不适用于：医疗、法律、金融等场景下的自动决策；也不应把它当作各语料官方榜单的替代品（见下）。

局限与偏差

• 不是新标注，也不是公开基准。 CJ-IE 的 test 由各语料的官方 dev / test 构成并做过去泄漏，是内部评测集。类型名称和定义已经统一成 B2NERD 的标准化中文标签，所以数字不能与各语料的公开榜单直接比较。
• 标注质量不一。 WikiANN、MultiNERD 是自动标注（silver），ChFinAnn 是远程监督（distant），其余为人工标注，但各语料的标注规范和一致性不同。
• B2NERD 来源的实体位置是推断出来的。 名称的每次出现都被标为实体，同名的非实体出现也会被标上，会引入假阳性。
• 来源规模悬殊。 DuIE 的 train 有 135,959 行，而 Microbiota 只有 98 行；micro 指标会被大来源主导，请同时看逐来源指标。
• 领域和文体偏窄。 新闻、医学、金融、电商、社交媒体、简历等比较多，法律、军事、教育很少；military_ner 的类型没有单独定义（名称和说明相同），用它训练的模型一个都没抽出来。
• 文本窗口 ≤ 300 字。用它训练的 Unified 0.8B 的跨度最宽 20 个字，更长的实体、边界落在英文单词内部的实体都表示不了。
• 关系的客体抽取依赖主体由外部提供（re_object 的主体只写在类型文本里）。
• 含个人信息。 语料来自新闻、微博、简历、医患对话等真实文本，可能含姓名、机构、地址等信息；请遵守各来源的使用条款，不要用于识别或追踪个人。
• 标签含义来自上游任务。 请勿将在此数据上训练的模型输出作为医疗、法律或金融决策的唯一依据。

许可与使用限制

CJ-IE 是多个第三方语料的整理和转换，没有单一的许可证。 我们不对任何来源重新授权，也不授予任何额外的再分发权限；构建代码以 MIT 许可证发布，但这不改变各来源数据的条款。使用 CJ-IE 即表示你需要遵守你所使用的每个来源的许可条款。 下表是我们在本地来源目录里能找到的许可信息：

• “镜像元数据”指我们下载的 Hugging Face 社区镜像自己标注的许可，不能自动替代原始数据的使用条款；
• “未核实”表示我们没有找到或没有核对原始发布方的条款，请在使用前自行确认。

来源	我们找到的许可信息
FinRE、SanWen-RE	MIT（THUNLP Chinese_NRE，LICENSE 文件）
ChFinAnn	MIT（Doc2EDAG，LICENSE 文件）
MultiCoNER2-zh	CC BY 4.0（数据集 README）
FewFC	CC BY-SA 4.0（数据集 README 与 LICENSE 文件）
MultiNERD-zh	CC BY-NC-SA 4.0，仅限非商业研究用途（数据集 README）
Boson-NER	BosonNLP 数据使用许可证（license.txt）：仅供科研；禁止向第三方提供数据；商业用途需付费
CLUENER2020	镜像元数据 Apache-2.0；原始条款未核实
Resume-NER	镜像元数据 Apache-2.0；原始条款未核实
MSRA-NER	镜像元数据未填写（另一个变体标注 Apache-2.0）；未核实
Weibo-NER	镜像元数据未填写（清洗变体标注 Apache-2.0）；未核实
PeopleDaily-NER	未找到许可说明
WikiANN-zh	镜像元数据未填写；自动标注自维基百科；未核实
CMeEE-V2、CMeIE（CBLUE）	镜像元数据 MIT；CBLUE 原始条款未核实
DuIE、DuEE	镜像元数据 MIT；百度原始发布条款未核实
B2NERD 收录的来源：bank、cail2021、cail2022、ccks2017、ccks2019、ccks2020、ccks2021address、chineseliterature_ner、fned、gaiic2022、imcs21、math_high、microbiota、military_ner、multiconer22、nlpcc2018、peopledaily2014、ruijinmcc、taobao、wanchuang、youku	B2NERD 元数据标注 MIT，但其说明要求使用者自行确保拥有原始数据集的相应许可；各原始语料的条款未核实
zh_ontonotes（B2NERD）	B2NERD 元数据标注 MIT，但其说明要求使用者自行确保拥有原始数据集的相应许可；各原始语料的条款未核实；名称对应 OntoNotes 中文部分，该语料由 LDC 发布，再分发条件需核实

需要特别注意的几点：

1. Boson（ner_boson、ner_typing:boson）：BosonNLP 数据使用许可证仅供科研使用，禁止将数据提供给第三方，直接用于商业目的需要付费。
2. MultiNERD（ner_multinerd、ner_typing:multinerd）：CC BY-NC-SA 4.0，仅限非商业研究，且衍生数据需以相同方式共享。
3. FewFC：CC BY-SA 4.0，需署名并以相同方式共享。
4. WikiANN、PeopleDaily-NER、MSRA：我们没有找到明确的许可说明。zh-OntoNotes 对应的 OntoNotes 语料由 LDC 发布，再分发条件需要核实。请自行核实后再使用或再分发。

如果你需要在商业场景或产品中使用，请先逐个来源确认条款，必要时只使用许可明确的来源（过滤时用 _meta.source）。如果你是某个来源的权利人，并希望将它从 CJ-IE 中移除，请在 GitHub 上联系我们。

引用

如果使用了 CJ-IE，请引用本项目，并同时引用你所使用的原始语料。

@misc{cjie2026,
  title        = {CJ-IE: Chinese Information Extraction Data with Typed Definitions},
  author       = {Yan, Qiang},
  year         = {2026},
  howpublished = {\url{https://github.com/yanqiangmiffy/chinese-decision}},
  note         = {Built for Chinese Decision Unified 0.8B}
}

使用其中的决策题（格式与 CJ-Dataset 相同）并与 CJ-Bench 对照时，请同时引用 Chinese-Jev：

@misc{wang2026chinesejev,
  title         = {Chinese-Jev: Bringing System One Model to Chinese-Language Tasks},
  author        = {Wang, Zexiao and Zhang, Zihao and Wang, Xudong and Wang, Pan and Ye, Ziyi and Zhao, Haoyu and Wu, Zuxuan and Yan, Shuicheng},
  year          = {2026},
  eprint        = {2609.36965},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL}
}

Chinese Decision 系列的论文是 arXiv:2610.23170；CJ-IE 和统一版是在该论文之后整理和发布的，不在论文中。

致谢

• B2NERD：NER 标签体系和类型定义的来源。
• 上表中的各个语料及其作者：MSRA、人民日报、CLUENER、Resume、Weibo、CMeEE-V2 / CMeIE（CBLUE）、Boson、MultiCoNER、MultiNERD、WikiANN、DuIE / DuEE、FewFC、FinRE / SanWen（THUNLP Chinese_NRE）、ChFinAnn（Doc2EDAG），以及 B2NERD 收录的各中文 NER 语料。
• Chinese-Jev：CJ-Dataset 的决策题格式。