多模态自动文摘数据集使用说明和申请表

不同于同步多模态数据（例如电影），我们的数据集由异步多模态数据（即图片没有对应的文字叙述、视频没有相应的字幕等）构成。我们的数据集以多个中英文新闻主题为中心，包含围绕同一个主题的多个新闻文档、新闻配图以及新闻视频，用于生成固定字数限制的中英文文本摘要。

我们选取了近5年的50个新闻主题，其中中英文各25个。对于每个主题，我们收集了同一个时间段的20篇新闻文档和5-10段新闻视频。我们参考DUC和TAC评测标注了人工参考摘要。10名研究生参与了语料标注，他们被要求首先阅读同一个主题的新闻文档和视频新闻，然后生成人工摘要。每个主题有三个参考摘要，分别由三个标注者独立完成。以下是标注准则：（1）保留新闻文档和视频新闻的重要信息；（2）避免冗余性信息；（3）可读性好；（4）满足字数限制（中文500字，英文300词）。以下是一些新闻主题的例子：（a）“东方之星”客船翻沉（b）银川公交大火（c）抗议“萨德”反导系统（d）李娜澳网夺冠。

更多细节请查阅我们EMNLP2017的文章。