oeg/software_benchmark_v2

该数据集是一个多领域软件提及语料库，整合了SoMESCi和Softcite两个项目的语料，以及从Papers with Code网站下载的机器学习领域的出版物。在构建过程中，移除了与实体关系无关的注释，如版本、URL等，仅保留了Application_Mention标签。此外，还对两个语料库的标签进行了映射，并对某些注释做出了决策，例如将Microsoft Excel中的Excel标注为软件提及。

原始信息汇总

数据集概述

许可证

• CC BY 4.0

任务类别

• 文本分类

语言

• 西班牙语

数据集名称

• Software Benchmark Multidomain

数据来源

• SoMESCi：使用了上传至Github的语料库，特别是由句子创建的语料库。
• Softcite：该项目发布了另一个用于软件提及的语料库，也可在Github上获取。使用了生物和经济领域的标注。
• Papers with Code：从Papers with Code网站下载了出版物列表。构建语料库时，选择了与出版物相关的软件提及的文本。

数据处理

• 移除了其他实体的标注，如版本、URL以及与文本实体关系相关的标注。仅使用标签Application_Mention。
• 为了整合两个语料库，对标签进行了映射。例如，对于Microsoft Excel，决定将Excel标注为软件提及，而不是整个文本。

参考文献

1. Schindler, D., Bensmann, F., Dietze, S., & Krüger, F. (2021, October). Somesci-A 5 star open data gold standard knowledge graph of software mentions in scientific articles. In Proceedings of the 30th ACM International Conference on Information & Knowledge Management (pp. 4574-4583).
2. Du, C., Cohoon, J., Lopez, P., & Howison, J. (2021). Softcite dataset: A dataset of software mentions in biomedical and economic research publications. Journal of the Association for Information Science and Technology, 72(7), 870-884.