mwitiderrick/arXiv

该数据集是Kaggle上ArXiv数据集的一个子集，包含了170万篇学术文章的元数据，如文章标题、作者、类别、摘要、全文PDF等。ArXiv是一个开放获取的学术文章平台，涵盖了物理学、计算机科学、数学、统计学、电气工程、定量生物学和经济学等多个领域。该数据集旨在通过提供机器可读的数据，支持趋势分析、论文推荐引擎、类别预测、共引网络、知识图谱构建和语义搜索界面等应用。数据集通过Google Cloud Storage提供，并每周更新。元数据文件为JSON格式，包含每篇论文的ID、提交者、作者、标题、评论、期刊引用、DOI、摘要、类别和版本历史等信息。

原始信息汇总

数据集概述

数据集来源

• 本数据集是Kaggle上Cornell University提供的ArXiv数据集的子集。

数据集内容

• 包含1.7百万篇文章的元数据，具体信息包括：
  • id: ArXiv ID
  • submitter: 论文提交者
  • authors: 论文作者
  • title: 论文标题
  • comments: 附加信息，如页数和图表数量
  • journal-ref: 发表期刊信息
  • doi: 数字对象标识符
  • abstract: 论文摘要
  • categories: ArXiv系统中的分类/标签
  • versions: 版本历史

数据集用途

• 支持多种机器学习应用，如趋势分析、论文推荐引擎、分类预测、共引网络、知识图谱构建和语义搜索接口。

数据集访问

• 数据集可通过Google Cloud Storage访问，每周更新。

许可证

• 数据集元数据遵循Creative Commons CC0 1.0 Universal Public Domain Dedication。