disi-unibo-nlp/SciLay

SciLay数据集包含43,790个实例，每个实例代表生物医学领域的一篇科学文章。每个实例包括简化的plain_text、技术性的technical_text和完整的full_text，以及相关的元数据如DOI、PMCID、期刊、主题和关键词。数据集旨在支持开发能够有效简化复杂科学语言同时保留关键信息的文本摘要模型。数据集涵盖了15种不同的期刊来源，如Nature Communications、Animals等，并提供了不同配置的数据分割。

原始信息汇总

数据集概述

数据集配置

• 配置A

  • 特征:
    • doi: 字符串
    • pmcid: 字符串
    • plain_text: 字符串
    • technical_text: 字符串
    • full_text: 字符串
    • journal: 字符串
    • topics: 字符串序列
    • keywords: 字符串序列
  • 数据分割:
    • 训练: 3909个样本, 128936951字节
    • 验证: 489个样本, 15912431字节
    • 测试: 489个样本, 16235251字节
  • 下载大小: 83830061字节
  • 数据集大小: 161084633字节

• 配置B

  • 特征: 同配置A
  • 数据分割:
    • 训练: 1617个样本, 57956055字节
    • 验证: 202个样本, 6860452字节
    • 测试: 203个样本, 7422716字节
  • 下载大小: 37654668字节
  • 数据集大小: 72239223字节

• 配置C

  • 特征: 同配置A
  • 数据分割:
    • 训练: 6782个样本, 242721690字节
    • 验证: 848个样本, 30735056字节
    • 测试: 848个样本, 31018214字节
  • 下载大小: 158704561字节
  • 数据集大小: 304474960字节

• 配置CB

  • 特征: 同配置A
  • 数据分割:
    • 训练: 867个样本, 43533134字节
    • 验证: 108个样本, 5664682字节
    • 测试: 109个样本, 5455500字节
  • 下载大小: 27189215字节
  • 数据集大小: 54653316字节

• 配置I

  • 特征: 同配置A
  • 数据分割:
    • 训练: 1181个样本, 37682107字节
    • 验证: 148个样本, 4967810字节
    • 测试: 148个样本, 4945533字节
  • 下载大小: 24754627字节
  • 数据集大小: 47595450字节

• 配置MBIO

  • 特征: 同配置A
  • 数据分割:
    • 训练: 607个样本, 30528726字节
    • 验证: 76个样本, 3905117字节
    • 测试: 76个样本, 3830514字节
  • 下载大小: 18844836字节
  • 数据集大小: 38264357字节

• 配置NC

  • 特征: 同配置A
  • 数据分割:
    • 训练: 5549个样本, 286453072字节
    • 验证: 694个样本, 35652636字节
    • 测试: 694个样本, 35869803字节
  • 下载大小: 174664205字节
  • 数据集大小: 357975511字节

• 配置OTHER

  • 特征: 同配置A
  • 数据分割:
    • 训练: 2008个样本, 89884204字节
    • 验证: 251个样本, 11198113字节
    • 测试: 251个样本, 11665218字节
  • 下载大小: 56488155字节
  • 数据集大小: 112747535字节

• 配置PLB

  • 特征: 同配置A
  • 数据分割:
    • 训练: 896个样本, 54106804字节
    • 验证: 112个样本, 6575630字节
    • 测试: 113个样本, 6563666字节
  • 下载大小: 33228217字节
  • 数据集大小: 67246100字节

• 配置PLCB

  • 特征: 同配置A
  • 数据分割:
    • 训练: 2589个样本, 149165851字节
    • 验证: 324个样本, 18844485字节
    • 测试: 324个样本, 18926571字节
  • 下载大小: 90880208字节
  • 数据集大小: 186936907字节

• 配置PLGEN

  • 特征: 同配置A
  • 数据分割:
    • 训练: 3087个样本, 176933946字节
    • 验证: 386个样本, 21857559字节
    • 测试: 386个样本, 21226953字节
  • 下载大小: 108531011字节
  • 数据集大小: 220018458字节

• 配置PLNTD

  • 特征: 同配置A
  • 数据分割:
    • 训练: 2289个样本, 90159685字节
    • 验证: 286个样本, 11227802字节
    • 测试: 287个样本, 11587156字节
  • 下载大小: 57806998字节
  • 数据集大小: 112974643字节

• 配置PLPAT

  • 特征: 同配置A
  • 数据分割:
    • 训练: 2920个样本, 167781149字节
    • 验证: 365个样本, 20760947字节
    • 测试: 365个样本, 21113922字节
  • 下载大小: 102858284字节
  • 数据集大小: 209656018字节

• 配置SD

  • 特征: 同配置A
  • 数据分割:
    • 训练: 725个样本, 23671697字节
    • 验证: 91个样本, 3033467字节
    • 测试: 91个样本, 2972947字节
  • 下载大小: 15082066字节
  • 数据集大小: 29678111字节

• 配置all

  • 特征: 同配置A
  • 数据分割:
    • 训练: 35026个样本, 1579515071字节
    • 验证: 4380个样本, 197196187字节
    • 测试: 4384个样本, 198833964字节
  • 下载大小: 990169794字节
  • 数据集大小: 1975545222字节

数据集特征

• doi: 字符串，数字对象标识符，非所有实例都有。
• pmcid: 字符串，PubMed Central标识符，非所有实例都有。
• plain_text: 字符串，文章的简明英语摘要。
• technical_text: 字符串，文章的摘要。
• full_text: 字符串，完整的文章文本。
• journal: 字符串，发表文章的期刊名称。
• topics: 字符串序列，文章分类的类型，非所有实例都有。
• keywords: 字符串序列，文章的关键词，非所有实例都有。

数据分割

配置	训练样本	验证样本	测试样本
all	35026	4380	4384
NC	5549	694	694
A	3909	489	489
PLGEN	3087	386	386
PLPAT	2920	365	365
PLCB	2589	324	324
PLNTD	2289	286	287
B	1617	202	203
I	1181	148	148
PLB	896	112	113
CB	867	108	109
SD	725	91	91
MBIO	607	76	76
C	6782	848	848
OTHER	2008	251	251

以上信息概述了SciLay数据集的配置、特征和数据分割情况。