davanstrien/arxiv-metadata-snapshot-with-new-dataset-labels

该数据集包含科学文献的元数据，涵盖了提交者、作者、标题、评论、期刊引用、DOI、报告编号、类别、许可证、摘要、版本、更新日期、解析后的作者列表以及一个分类标签。分类标签用于标识是否为新数据集。数据集被分割为训练集，包含5000个样本。

This dataset contains metadata of scientific papers, including submitter, authors, title, comments, journal reference, DOI, report number, categories, license, abstract, versions, update date, parsed authors list, and a classification label. The classification label indicates whether it is a new dataset. The dataset is split into a training set containing 5000 samples.

原始信息汇总

数据集概述

数据集信息

特征

• id: 字符串类型
• submitter: 字符串类型
• authors: 字符串类型
• title: 字符串类型
• comments: 字符串类型
• journal-ref: 字符串类型
• doi: 字符串类型
• report-no: 字符串类型
• categories: 字符串类型
• license: 字符串类型
• abstract: 字符串类型
• versions: 列表类型
  • created: 字符串类型
  • version: 字符串类型
• update_date: 时间戳类型
• authors_parsed: 字符串序列类型
• label: 分类标签类型
  • no_new_dataset: 标签值为0
  • new_dataset: 标签值为1

数据分割

• train:
  • 字节数: 8273883
  • 样本数: 5000

数据集大小

• 下载大小: 4697775 字节
• 数据集大小: 8273883 字节

配置

• config_name: default
  • data_files:
    • split: train
    • path: data/train-*