qazwsx

## 目录总览 ```text . ├── accept_paper/ # 已接收论文 │ ├── ml/ # 机器学习 (~13,852 篇) │ ├── nlp/ # 自然语言处理 (~4,226 篇) │ └── cv/ # 计算机视觉 (~5,572 篇) │ └── reject_paper/ # 拒稿论文 └── iclr2026/ # ICLR 2026 拒稿 (~8,355 篇) ├── topic/ # 主题分类 ├── review/ # 评审分析 ├── reject_by_method/ # 按方法维度的拒稿分析 └── paper_md/ # 论文 Markdown 全文 ``` --- ## 一、accept_paper — 已接收论文 `accept_paper/` 存放已接收（accept）论文的主题分析数据，按领域分为 `ml`、`nlp`、`cv` 三个子目录。 ### 1.1 数据组织 每个领域目录下的结构基本一致： | 子目录/文件 | 说明 | |---|---| | `papers/` | 论文基础信息（ID、标题、摘要、venue、关键词等） | | `method/` | 方法类论文的 L3 主题归类 | | `benchmark_evaluation/` | 基准/数据集/评测类论文的 L3 主题归类 | | `{field}_l3_topics_all.jsonl` | L3 主题汇总（含论文 ID 列表） | | `{field}_l3_topics_count.csv` | L2/L3 主题统计表（含论文计数） | ### 1.2 各领域详情 #### ML（~13,852 篇） | 文件 | 说明 | |---|---| | `papers/ml_id_title_abstract.jsonl` | 论文 ID、标题、摘要、官方分类、关键词、venue | | `method/method_l3_topic.jsonl` | 方法类论文 L3 主题归类 | | `benchmark_evaluation/benchmark_l3_topic.jsonl` | 基准/评测类论文 L3 主题归类 | | `ml_l3_topics_all.jsonl` | ML 领域 L3 主题汇总 | | `ml_l3_topics_count.csv` | ML 领域 L2/L3 主题计数（505 行） | | `conference/` | 按会议拆分：ICML / ICLR / NeurIPS 各自的主题汇总 | | `paper_md/` | 13,852 篇论文的 Markdown 全文（1,386 个子目录） | | `paper_id_match.json` | 论文 ID 匹配信息 | #### NLP（~4,226 篇） | 文件 | 说明 | |---|---| | `papers/nlp_id_title_abstract.jsonl` | 论文 ID、标题、摘要、官方分类、关键词、venue | | `method/method_l3_topic.jsonl` | 方法类论文 L3 主题归类 | | `benchmark_evaluation/benchmark_l3_topic.jsonl` | 基准/评测类论文 L3 主题归类 | | `nlp_l3_topics_all.jsonl` | NLP 领域 L3 主题汇总 | | `nlp_l3_topics_count.csv` | NLP 领域 L2/L3 主题计数（397 行） | #### CV（~5,572 篇） | 文件 | 说明 | |---|---| | `papers/cv_id_title.jsonl` | 论文 ID、标题、主题、二级主题、入选原因 | | `papers/cv_id_title_abstract_venue.jsonl` | 上述信息 + 摘要和 venue | | `method/method_l3_topic.jsonl` | 方法类论文 L3 主题归类 | | `benchmark_evaluation/benchmark_l3_topic.jsonl` | 基准/评测类论文 L3 主题归类 | | `cv_l3_topics_all.jsonl` | CV 领域 L3 主题汇总 | | `cv_l3_topics_count.csv` | CV 领域 L2/L3 主题计数（497 行） | ### 1.3 常见字段说明 | 字段 | 说明 | |---|---| | `paper_id` | 论文编号 | | `title` | 论文标题 | | `abstract` | 论文摘要（部分文件不含） | | `venue` | 会议/期刊来源 | | `official_category_raw` / `official_primary_area` / `official_secondary_area` | 官方分类 | | `official_keywords` | 官方关键词 | | `topic_L2` | 二级主题 | | `topics_L3` | 三级主题列表 | | `l3_id` | 三级主题编号 | | `topic_L3` / `topic_L3_en` | 三级主题中/英文名 | | `row_type` | CSV 中区分 `L2` 汇总行 / `L3` 明细行 | | `l2_index` | 二级主题编号 | | `paper_ids` | 某主题下的论文 ID 列表 | | `paper_count` | 某主题下论文数量 | | `l2_total_papers` | 对应二级主题论文总数 | | `l2_num_topics` | 对应二级主题下三级主题数 | --- ## 二、reject_paper — 拒稿论文 `reject_paper/iclr2026/` 存放 ICLR 2026 拒稿（reject）论文的相关数据，涵盖主题分类、评审分析、拒稿原因打分、以及方法维度的专项分析。 ### 2.1 topic — 主题分类 | 文件 | 行数 | 说明 | |---|---|---| | `papers/iclr2026_rejected_l3_topics.jsonl` | 8,355 | 拒稿论文 L3 主题归类 | | `papers/iclr2026_rejected_topics_map.jsonl` | 8,355 | 论文与主题映射关系 | | `papers/iclr2026_rejected_method_abstract_review.jsonl` | — | 含论文摘要和评审文本 | | `method/method_l3_topic.jsonl` | — | 方法类拒稿论文 L3 主题 | | `benchmark_evaluation/benchmark_l3_topic.jsonl` | — | 基准/评测类拒稿论文 L3 主题 | | `iclr2026_rejected_l3_topics_all.jsonl` | 21 | 拒稿论文 L3 主题汇总 | | `iclr2026_rejected_l3_topics_count.csv` | 477 | L2/L3 主题统计表 | ### 2.2 review — 评审分析 | 文件 | 行数 | 说明 | |---|---|---| | `restructured_reviews.jsonl` | 8,217 | 结构化评审数据（含论文信息、review、rebuttal、AC 评价、最终决定） | | `scored_reviews.jsonl` | 8,217 | 拒稿原因结构化分析与打分 | | `rejection_cause_stats/main_rejection_cause_by_category_dimension.csv` | — | 主要拒稿原因按类别×维度统计 | | `rejection_cause_stats/secondary_rejection_cause_by_category_dimension.csv` | — | 次要拒稿原因按类别×维度统计 | **`scored_reviews.jsonl` 核心字段：** | 字段 | 说明 | |---|---| | `paper_title` | 论文标题 | | `final_decision` | 最终决定（Reject） | | `overall_summary` | 整体拒稿原因摘要 | | `method_evaluation` | 方法维度评分 | | `experiment_evaluation` | 实验维度评分 | | `main_rejection_cause` | 主要拒稿原因（`category` / `dimension` / `reason`） | | `secondary_rejection_cause` | 次要拒稿原因 | | `final_one_sentence_conclusion` | 一句话总结 | ### 2.3 reject_by_method — 按方法维度的拒稿分析 该目录聚焦于被归为"方法"类的拒稿论文，提供更细粒度的分析： | 文件 | 行数 | 说明 | |---|---|---| | `iclr2026_rejected_method_title_id_abstract.jsonl` | 5,587 | 方法类拒稿论文（ID、标题、摘要） | | `iclr2026_rejected_method_reviews_eval.jsonl` | 5,587 | 方法类拒稿论文的评审与打分 | | `iclr2026_rejected__method_l3_topics.jsonl` | 21 | 方法类拒稿论文 L3 主题汇总 | **`iclr2026_rejected_method_reviews_eval.jsonl` 核心字段：** - `paper_id`：论文编号 - `title`：论文标题 - `review_count`：评审数量 - `reviews`：评审内容 - `aggregate_scores`：综合评分 ### 2.4 paper_md — 论文全文 | 目录 | 说明 | |---|---| | `paper_md/` | 8,347 篇拒稿论文的 Markdown 全文（836 个子目录，按 10 篇一组存放） | | `paper_md/convert_failed.jsonl` | 转换失败的论文列表 | --- ## 三、数据格式与规模 ### 数据格式 - **`.jsonl`**：每行一个 JSON 对象，适合逐行读取和流式处理。 - **`.csv`**：表格统计结果，可用 spreadsheet 软件、Python pandas 或 R 读取。主题计数 CSV 同时包含 `L2` 汇总行和 `L3` 明细行，通过 `row_type` 字段区分。 ### 数据规模一览 | 类别 | 文件 | 数量 | |---|---|---| | Accept - ML | `ml_id_title_abstract.jsonl` | 13,852 篇 | | Accept - ML | `paper_md/` 全文 | 13,852 篇 | | Accept - NLP | `nlp_id_title_abstract.jsonl` | 4,226 篇 | | Accept - CV | `cv_id_title.jsonl` | 5,572 篇 | | Accept - ML | L3 主题数（`ml_l3_topics_count.csv`） | 505 行 | | Accept - NLP | L3 主题数（`nlp_l3_topics_count.csv`） | 397 行 | | Accept - CV | L3 主题数（`cv_l3_topics_count.csv`） | 497 行 | | Reject | 拒稿论文（含主题） | 8,355 篇 | | Reject | 拒稿论文（含评审） | 8,217 篇 | | Reject | 方法类拒稿论文 | 5,587 篇 | | Reject | `paper_md/` 全文 | 8,347 篇 | | Reject | L3 主题数（`iclr2026_rejected_l3_topics_count.csv`） | 477 行 | --- ## 四、使用建议 | 场景 | 推荐入口 | |---|---| | 按论文检索主题 | 各领域 `papers/` 目录 → 按 `paper_id` 关联主题文件 | | 分析主题分布 | `{field}_l3_topics_count.csv` / `{field}_l3_topics_all.jsonl` | | 分析 ICLR 2026 拒稿原因 | `scored_reviews.jsonl` + `rejection_cause_stats/` | | 分析拒稿论文主题 | `iclr2026_rejected_l3_topics_all.jsonl` + `iclr2026_rejected_l3_topics_count.csv` | | 按方法维度分析拒稿 | `reject_by_method/iclr2026_rejected_method_reviews_eval.jsonl` | | 阅读论文全文 | `accept_paper/ml/paper_md/` 或 `reject_paper/iclr2026/paper_md/` | | 按会议分析 accept 论文 | `accept_paper/ml/conference/` | | 大规模处理 | 逐行读取 `.jsonl`，避免一次性加载全部数据 |