GleghornLab/abstract_domain_cvd

这个数据集包含了与心血管疾病（CVD）相关的共引用摘要。这些摘要来自于论文《Contrastive Learning and Mixture of Experts Enables Precise Vector Embeddings》。

This dataset contains the cocitation abstracts related to CVD in the paper Contrastive Learning and Mixture of Experts Enables Precise Vector Embeddings.

原始信息汇总

数据集概述

特征信息

• 名称: a
  • 数据类型: string
• 名称: b
  • 数据类型: string
• 名称: label
  • 数据类型: int64

数据分割

• 训练集
  • 字节数: 685896937
  • 样本数: 181000
• 验证集
  • 字节数: 17346151
  • 样本数: 4584
• 测试集
  • 字节数: 2872780
  • 样本数: 753

数据大小

• 下载大小: 208705249
• 数据集大小: 706115868

配置信息

• 配置名称: default
  • 数据文件路径:
    • 训练集: data/train-*
    • 验证集: data/valid-*
    • 测试集: data/test-*

搜集汇总

数据集介绍

构建方式

该数据集源自论文《Contrastive Learning and Mixture of Experts Enables Precise Vector Embeddings》，专注于心血管疾病（CVD）领域的共引摘要。构建过程中，研究团队系统收集了与CVD相关的学术文献摘要，并依据共引关系进行筛选与整合，形成高质量文本对。数据集划分为训练集（181,000条）、验证集（753条）和测试集（4,584条），确保了模型训练、调优与评估的完整性。每个样本包含两个文本字段（a和b）及一个整数标签，用于表征文本间的语义关联程度。

特点

该数据集的核心特点在于其领域专精性与结构设计的科学性。聚焦心血管疾病这一关键医学领域，摘要内容具有高度专业性和学术价值。通过共引关系构建的文本对，天然蕴含了文献间的语义关联，为对比学习任务提供了优质监督信号。数据规模适中，训练集占比超过97%，在保证样本多样性的同时，也兼顾了计算效率。此外，明确的划分比例（约181K/0.75K/4.6K）有助于研究者稳定复现实验结果。

使用方法

数据集以HuggingFace Datasets库标准格式存储，支持直接加载。使用时，可通过`load_dataset`函数指定配置名`default`，自动获取训练、验证和测试分片。每个样本的`a`和`b`字段为待比较的文本，`label`字段指示其语义关系（如是否共引）。适用于对比学习、文本相似度计算或向量嵌入模型训练。研究者可基于该数据构建孪生网络或双编码器架构，利用对比损失函数优化文本表示，进而提升下游医学文献检索或推荐任务的性能。

背景与挑战

背景概述

心血管疾病（CVD）作为全球范围内致死率最高的疾病之一，其相关研究文献的激增为生物医学自然语言处理带来了新的机遇与挑战。GleghornLab/abstract_domain_cvd数据集由Gleghorn实验室的研究人员创建，发表于2024年，源自arXiv预印本论文《Contrastive Learning and Mixture of Experts Enables Precise Vector Embeddings》。该数据集聚焦于心血管疾病领域的共引摘要，共包含约18.6万条样本，划分为训练集（18.1万）、验证集（753条）和测试集（4584条），旨在为对比学习与专家混合模型提供高质量的文本嵌入训练基础。通过汇聚CVD相关的学术摘要，该数据集不仅推动了生物医学文本表示学习的发展，还为精准医疗中的文献挖掘与知识发现奠定了重要资源基础，在自然语言处理与生物医学交叉领域展现出显著影响力。

当前挑战

该数据集所面临的挑战首先体现在领域问题的复杂性上：心血管疾病文献涉及病理机制、临床试验、药物研发等多维主题，摘要文本富含专业术语与隐含语义关系，要求模型具备细粒度语义理解能力，以克服传统嵌入方法在捕捉领域特定知识方面的局限性。其次，在构建过程中，数据集的来源为共引摘要，可能面临文献选择偏差与标注噪声问题，例如不同研究间的术语使用不一致或摘要长度差异，均会干扰模型训练的稳定性。此外，数据规模虽达十余万条，但相较于通用语料仍显有限，如何在有限样本下提升对比学习的泛化能力，避免过拟合，是技术实现中的核心痛点。这些挑战共同制约着数据集在精准向量嵌入生成中的表现与下游任务的迁移效果。

常用场景

经典使用场景

在心血管疾病（CVD）研究领域，文献摘要的语义表征与知识挖掘一直是自然语言处理与生物医学交叉研究的热点。GleghornLab/abstract_domain_cvd数据集收录了181,000条训练样本、753条验证样本及4,584条测试样本，其核心价值在于为对比学习与混合专家系统提供高质量的共引摘要语料。研究者通常利用该数据集训练能够精准捕捉CVD领域文本语义的向量嵌入模型，通过对比学习范式增强模型对医学文献中隐含关联的辨识能力，从而构建出更鲁棒的生物医学文本表示。这一场景已成为评估文本嵌入模型在专业垂直领域迁移性能的经典基准。

解决学术问题

该数据集有效解决了生物医学文献中稀疏标注与语义鸿沟并存的学术难题。传统文本嵌入方法在CVD领域常因专业术语密集、跨文献引用关系复杂而表现欠佳。通过提供大规模共引摘要对，数据集支撑了对比学习框架下正负样本的自动构建，使模型无需人工标注即可学习到区分不同研究主题与方法的细粒度特征。这显著提升了向量嵌入在低资源场景下的泛化能力，为后续的文献聚类、知识图谱补全及科学计量分析奠定了数据基础，推动了生物医学信息检索从关键词匹配向语义理解的范式转型。

衍生相关工作

围绕该数据集已衍生出多项具有影响力的经典研究，其中最核心的是提出对比学习与混合专家系统的原始论文《Contrastive Learning and Mixture of Experts Enables Precise Vector Embeddings》。该工作首次证明了结合门控机制与多专家路由的架构在CVD摘要嵌入任务上显著优于通用预训练模型。后续研究者在此基础上发展了领域自适应对比学习框架，并针对数据集中存在的标签噪声问题提出了鲁棒性训练策略。此外，该数据集还被用于验证知识蒸馏技术在生物医学文本压缩中的可行性，催生了轻量级嵌入模型在移动端文献检索场景的部署方案。