ArxivPapers

ArxivPapers 数据集是 2007 年至 2020 年间在 arXiv.org 上发表的超过 104K 篇与机器学习相关的未标记论文集合。该数据集包括大约 94K 篇论文（可以使用 LaTeX 源代码），这些论文采用结构化形式，其中论文分为标题、摘要、部分、段落和参考文献。此外，该数据集包含从 LaTeX 论文中提取的超过 277K 表。
由于论文许可，数据集作为元数据和开源管道发布，可用于获取和转换论文。

The ArxivPapers dataset is an unlabeled collection of over 104K machine learning-related papers published on arXiv.org between 2007 and 2020. It includes approximately 94K papers with available LaTeX source code, which are structured into title, abstract, sections, paragraphs, and references. Additionally, the dataset contains over 277K tables extracted from the LaTeX papers. Due to the licensing terms of the submitted papers, the dataset is released as metadata and an open-source pipeline that can be used to acquire and convert the full papers.

搜集汇总

背景与挑战

背景概述

ArxivPapers是一个包含2007-2020年arXiv上10万+机器学习论文的结构化数据集，提供论文标题、摘要、段落等元数据和27万+LaTeX表格，需通过开源管道获取。由DeepMind等机构于2020年发布。