Novo dataset para NER em português brasileiro

Anunciamos a disponibilização pública do NER-PTBR-News, um dataset para reconhecimento de entidades nomeadas (NER) em português brasileiro.

Características

• 15.000 sentenças extraídas de portais jornalísticos brasileiros (2020–2025)
• Anotação manual por 3 anotadores com concordância inter-anotador (Cohen’s κ = 0.89)
• 6 categorias: PER, ORG, LOC, DATE, MONEY, MISC
• Formato CoNLL-2003

Acesso

O dataset está disponível no Hugging Face:

from datasets import load_dataset
ds = load_dataset("ppgsi-each/ner-ptbr-news")

Baselines

Treinamos modelos base para referência:

Modelo	F1 (micro)
BiLSTM-CRF	0.81
BERTimbau-base	0.88
BERTimbau-large	0.91