microsoft/msr_genomics_kbcomp

该数据集源自NCI PID通路相互作用数据库，包含基因间的调控关系及PubMed文章摘要中基因对的文本提及。数据集用于研究论文知识库和文本中关系路径的组合学习嵌入，包含GENE1、relation、GENE2等特征，其中relation包括正向调控、负向调控和家族关系。数据集分为训练、测试和验证集，仅支持英文。

原始信息汇总

数据集概述

数据集基本信息

• 名称: MsrGenomicsKbcomp
• 语言: 英语
• 许可证: 其他
• 多语言性: 单语种
• 大小: 10K<n<100K
• 来源: 原始数据
• 任务类别: 其他
• 标签: genomics-knowledge-base-completion

数据集结构

数据字段

• GENE1: 数据类型为字符串
• relation: 数据类型为分类标签，包含三个类别：Positive_regulation, Negative_regulation, Family
• GENE2: 数据类型为字符串

数据分割

• 训练集: 包含12160个样本，总大小为256789字节
• 测试集: 包含2784个样本，总大小为58116字节
• 验证集: 包含1315个样本，总大小为27457字节

数据集创建

数据集创建者

• 创建者: Kristina Toutanova, Victoria Lin, Wen-tau Yih, Hoifung Poon, Chris Quirk
• 创建机构: 微软研究院

数据集来源

• 原始数据来源: NCI PID Pathway Interaction Database
• 文本提及来源: PubMed abstracts
• 处理与注释工具: Literome

数据集用途

• 用途: 用于论文“Compositional Learning of Embeddings for Relation Paths in Knowledge Bases and Text”中的知识库完成任务

数据集格式

• 文件格式: 包含train.txt, valid.txt, test.txt, text.txt
• 分隔符: 制表符
• 数据格式: GENE1 relation GENE2
• 示例: ABL1 Positive_regulation CDK2