WikiStatCells データセット

Wikipedia 記事中の数値が参照する統計データのセルを特定するためのベンチマークデータセット。

問題定義

入力: クエリ q = (数値, 数値を含む文書) と検索対象文書集合 D（統計データのセル群）
出力: ランキング (d₁, d₂, ..., dₖ) ただし dᵢ ∈ D
タスク: 統計データ中の正解セルを上位にランクすること

ディレクトリ構成

WikiStatCells/
├── ja/                          # 日本語版
│   ├── gold_data.jsonl          # 正解データ（数値→対応セルのマッピング）
│   ├── numbers.jsonl            # アノテーション済み数値データ（位置情報付き）
│   ├── wiki_pages.jsonl         # 対応する Wikipedia 記事（セクション構造付き）
│   ├── stats.jsonl              # 統計データのセル展開 JSONL（stats/ から生成）
│   ├── source_urls.jsonl        # stats/ の出典情報（e-Stat URL等）
│   └── stats/                   # 引用先の統計データファイル群
│       ├── {stat_id}.csv
│       ├── {stat_id}.xlsx
│       └── ...
├── en/                          # 英語版
│   ├── gold_data.jsonl
│   ├── numbers.jsonl
│   ├── wiki_pages.jsonl
│   ├── stats.jsonl
│   ├── source_urls.jsonl        # stats/ ファイル名→元URLの対応表
│   └── stats/
│       ├── {filename}.csv
│       ├── {filename}.xls
│       └── ...
└── README.md

stats.jsonl の生成

前提条件

Python 3.12 以上
依存ライブラリ（uv run で自動インストール）
uv が利用可能であること

stats/ 配下の統計ファイルから stats.jsonl を生成するには、プロジェクトルート（dds_dataset/）で以下を実行する。

uv run python main.py --lang ja
uv run python main.py --lang en

統計情報

以下は論文記載値（WikiStatCells の正解値）に基づく。

日本語版

項目	件数
正解データ（gold_data.jsonl）	178
numbers.jsonl	178
Wikipedia 記事数（wiki_pages.jsonl）	77
統計データファイル数（stats/）	26

英語版

項目	件数
正解データ（gold_data.jsonl）	1,268
numbers.jsonl	1,268
Wikipedia 記事数（wiki_pages.jsonl）	560
統計データファイル数（stats/）	154

ファイル形式

gold_data.jsonl

正解データ。各行は1つの「数値→統計セル」の対応を表す。

{
  "topic_id": "TOPIC-JA-0001",
  "doc_id": "3146",
  "section_id": 6,
  "start": 65,
  "end": 72,
  "raw": "250,300",
  "value": 250300,
  "answer": {
    "stat_id": "000027468495",
    "sheet_name": "ほうれんそう",
    "row": 14,
    "column": 4
  }
}

フィールド	型	説明
`topic_id`	string	クエリの一意識別子（日本語: `TOPIC-JA-XXXX`、英語: `TOPIC-EN-XXXX`）
`doc_id`	string	Wikipedia 記事 ID
`section_id`	int	記事内のセクション番号（0始まり）
`start`	int	セクションテキスト内の数値開始位置（文字単位）
`end`	int	セクションテキスト内の数値終了位置（文字単位）
`raw`	string	テキスト中の数値の原表記（例: `"250,300"`）
`value`	number	パース後の数値（例: `250300`）
`answer.stat_id`	string	正解セルが含まれる統計データの ID
`answer.sheet_name`	string	正解セルが含まれるシート名
`answer.row`	int	正解セルの行番号（0始まり）
`answer.column`	int	正解セルの列番号（0始まり）

数値の位置は wiki_pages.jsonl のセクションテキストと対応しており、以下で原表記を復元できる:

section = page["sections"][entry["section_id"]]
assert section["text"][entry["start"]:entry["end"]] == entry["raw"]

注: 英語版では一部のエントリで raw に修飾語が含まれる場合がある（例: "minus 381,403"）。この場合、start/end は数字部分のみを指す。

numbers.jsonl

wiki_pages.jsonl・stats/・gold_data.jsonl から再構築した数値データ。各エントリは gold_data.jsonl のトピックに対応し、cells には値一致セル候補を含む。

{
  "topic_id": "TOPIC-JA-0001",
  "doc_id": "3146",
  "section_id": 6,
  "start": 65,
  "end": 72,
  "raw": "250,300",
  "value": 250300,
  "cells": [
    {
      "stat_id": "000027468495",
      "sheet_name": "ほうれんそう",
      "row": 14,
      "col": 4
    }
  ]
}

フィールド	型	説明
`doc_id`	string	Wikipedia 記事 ID
`section_id`	int	セクション番号
`start` / `end`	int	数値の位置（セクションテキスト内）
`raw`	string	数値の原表記
`value`	number	パース後の数値
`cells`	array	値が一致した統計データセルの候補リスト
`cells[].stat_id`	string	統計データ ID
`cells[].sheet_name`	string	シート名
`cells[].row` / `col`	int	セル座標（0始まり）
`topic_id`	string	クエリの一意識別子（日本語版では `gold_data.jsonl` に正解が存在する場合のみ付与）

wiki_pages.jsonl

データセットに関連する Wikipedia 記事。セクション構造付き。

{
  "doc_id": "428",
  "title": "広島県",
  "sections": [
    {
      "section_id": 0,
      "title": "",
      "level": -1,
      "text": "セクション本文..."
    }
  ]
}

フィールド	型	説明
`doc_id`	string	Wikipedia 記事 ID
`title`	string	記事タイトル
`sections`	array	セクションのリスト
`sections[].section_id`	int	セクション番号（0始まり）
`sections[].title`	string	セクション見出し（冒頭部分は空文字列）
`sections[].level`	int	見出しレベル（-1: 冒頭、2以上: サブセクション）
`sections[].text`	string	セクション本文

注: 日本語版では refs（参照リスト）および tables（テーブルリスト）フィールドが追加で含まれる。

stats/

引用先の統計データファイル群。gold_data.jsonl および numbers.jsonl の stat_id と対応する。

日本語版: ファイル名は e-Stat の統計データ ID（例: 000027468495.xlsx）。出典情報は source_urls.jsonl を参照。
英語版: ファイル名はデータソース URL の MD5 ハッシュ値（例: ed54d51b9d98666ead787be49913be4d.csv）。元 URL との対応は source_urls.jsonl を参照。
形式は .csv / .xlsx / .xls を含む。

source_urls.jsonl

stats/ に含まれる統計データファイルの出典情報。日本語版と英語版でスキーマが異なる。

日本語版: e-Stat の統計データ ID・URL・タイトル、および NTCIR Data Search コレクション内のファイル名を記録。

{
  "stat_id": "000027468495",
  "estat_url": "https://www.e-stat.go.jp/stat-search/files?page=1&layout=dataset&stat_infid=000027468495",
  "title": "作物統計調査 ...",
  "ntcir_filename": "e567b0ac...-f005-25-032.xlsx"
}

フィールド	型	説明
`stat_id`	string	e-Stat 統計データ ID（`stats/` 内のファイル名のステムに対応）
`estat_url`	string	e-Stat 上の統計データページ URL
`title`	string	NTCIR Data Search コレクションに登録された統計表のタイトル
`ntcir_filename`	string	NTCIR Data Search テストコレクション内のファイル名

英語版: ハッシュベースファイル名とクローリング元 URL の対応。

{
  "filename": "ed54d51b9d98666ead787be49913be4d.csv",
  "source_url": "https://www.census.gov/popest/states/tables/NST-EST2008-04.csv"
}

フィールド	型	説明
`filename`	string	`stats/` 内のファイル名（MD5ハッシュ + 拡張子）
`source_url`	string	統計データのクローリング元 URL

stats.jsonl

stats/ 配下の統計ファイルをシート構造付きで1ファイルに集約した JSONL。main.py で生成する。各行は1統計ファイルに対応し、全シートのセルデータを保持する。

{
  "filename": "000027468495.xlsx",
  "stat_id": "000027468495",
  "lang": "ja",
  "format": "xlsx",
  "data": {
    "ほうれんそう": [
      {"row": 14, "col": 4, "value": 250300}
    ]
  },
  "cell_count": 1234
}

フィールド	型	説明
`filename`	string	元ファイル名（拡張子あり）
`stat_id`	string	統計データ ID（日本語版: ファイル名のステム、英語版: ファイル名全体）
`lang`	string	言語コード (`"ja"` または `"en"`)
`format`	string	ファイル形式 (`"csv"`, `"xlsx"`, `"xls"`)
`data`	object	シート名をキーとするセルデータの辞書
`data[sheet][].row`	int	セル行番号（0始まり）
`data[sheet][].col`	int	セル列番号（0始まり）
`data[sheet][].value`	any	セル値
`cell_count`	int	全シートのセル数合計

出典

Wikipedia 記事（日本語版）: 日本語版 Wikipedia（2020年6月1日時点の CirrusSearch ダンプ）
Wikipedia 記事（英語版）: 英語版 Wikipedia（2021年10月4日時点の CirrusSearch ダンプ）
統計データ（日本語版）: e-Stat（政府統計の総合窓口）、NTCIR Data Search テストコレクション経由で収集
- LICENSE: 政府標準利用規約（第2.0版） https://www.e-stat.go.jp/terms-of-use
統計データ（英語版）: 米国国勢調査局（census.gov）および英国国家統計局（ons.gov.uk）の公開統計データをクローリングして収集
- LICENSE:
  - 米国国勢調査局（census.gov）: Public Domain https://ask.census.gov/prweb/PRServletCustom/app/ECORRAsk/YACFBFye-rFIz_FoGtyvDRUGg1Uzu5Mn*/!STANDARD?pzuiactionrrr=CXtpbn0rTEpMcGRYOG1vS0tqTFAwaENUZWpvM1NNWEMzZ3p5aFpnWUxzVmw0TjJpQS85RkNvUXZDRVRQWWtWSDFQaWZj
  - 英国国家統計局（ons.gov.uk）: Open Government Licence v3.0 https://www.ons.gov.uk/

参考文献

中野優, 加藤誠. 「被引用統計データのセル特定データセットの構築」 DDS, Vol.1, Article No.1, 2023年3月.

Name		Name	Last commit message	Last commit date
Latest commit History 1 Commit
WikiStatCells		WikiStatCells
src		src
.gitignore		.gitignore
.python-version		.python-version
README.md		README.md
main.py		main.py
pyproject.toml		pyproject.toml
uv.lock		uv.lock

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Uh oh!

Repository files navigation

WikiStatCells データセット

問題定義

ディレクトリ構成

stats.jsonl の生成

前提条件

統計情報

日本語版

英語版

ファイル形式

gold_data.jsonl

numbers.jsonl

wiki_pages.jsonl

stats/

source_urls.jsonl

stats.jsonl

出典

参考文献

About

Uh oh!

Releases

Packages

Uh oh!

Contributors

Uh oh!

Languages

Uh oh!

Folders and files

Latest commit

History

Repository files navigation

WikiStatCells データセット

問題定義

ディレクトリ構成

stats.jsonl の生成

前提条件

統計情報

日本語版

英語版

ファイル形式

gold_data.jsonl

numbers.jsonl

wiki_pages.jsonl

stats/

source_urls.jsonl

stats.jsonl

出典

参考文献

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages