有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
dennlinger/eur-lex-sum|法律文本摘要数据集|多语言处理数据集
收藏hugging_face2022-11-11 更新2024-03-04 收录
下载链接：
https://hf-mirror.com/datasets/dennlinger/eur-lex-sum
下载链接
链接失效反馈资源简介：
EUR-Lex-Sum数据集是一个多语言资源，主要用于法律领域的文本摘要任务。该数据集基于欧盟发布的法律文件的人工摘要，特点是提供了较少数量的高质量人工摘要样本，每个样本的参考文本和摘要都比类似数据集长得多。数据集支持欧盟的24种官方语言，且验证集和测试集的样本在所有语言中完全对齐。数据集的结构包括数据实例、数据字段和数据分割，数据实例包含法律文件的全文和摘要，数据字段包括Celex ID、参考文本和摘要。数据集的创建目的是为了提供自动文本摘要研究的资源，特别是长文本摘要和跨语言摘要任务。数据集的来源是EUR-Lex平台，数据经过过滤和处理，确保每个样本的唯一性和质量。
提供机构：
dennlinger
原始信息汇总
数据集概述
数据集名称
- 名称: EUR-Lex-Sum
- 别名: eur-lex-sum
数据集属性
- 语言: 支持24种欧洲联盟官方语言，包括保加利亚语、克罗地亚语、捷克语、丹麦语、荷兰语、英语、爱沙尼亚语、芬兰语、法语、德语、希腊语、匈牙利语、爱尔兰语、意大利语、拉脱维亚语、立陶宛语、马耳他语、波兰语、葡萄牙语、罗马尼亚语、斯洛伐克语、斯洛文尼亚语、西班牙语和瑞典语。
- 许可证: CC-BY-4.0
- 多语言性: 多语言
- 大小: 10K<n<100K
- 来源: 原始数据
- 标签: 法律、eur-lex、专家总结、平行语料库、多语言
- 任务类别: 翻译、总结
数据集内容
- 描述: EUR-Lex-Sum是一个多语言资源，专为法律领域的文本总结设计。数据集基于欧洲联盟发布的人工编写的法律行为总结。
- 特点: 引入高质量的人工编写样本，每个样本的参考文献（和总结）比同类数据集更长。为法律文本提供了一个具有挑战性的特定领域应用，这些文本在非英语语言中迄今为止代表性不足。
- 结构: 数据实例包含唯一标识符（Celex ID）、原始长篇法律行为文本及其相关总结。
数据集用途
- 总结任务: 主要适用于总结任务，可用作小规模训练资源。评估指标为ROUGE。
- 跨语言总结: 由于数据集样本存在于多种语言中，可用作跨语言基准。
- 长篇总结: 特别适用于长篇总结，提供比新闻基础总结数据集长约10倍的总结文本。
数据集创建
- 来源: 数据从EUR-Lex平台爬取，仅使用具有HTML文本版本的样本，确保跨语言的段落级对齐。
- 注释: 由欧洲联盟外部专业人员根据欧盟发布的注释指南进行，目标长度为600-800字。
使用考虑
- 社会影响: 可用于提供以前代表性不足的语言的总结系统，例如爱尔兰语和马耳他语。
- 偏见讨论: 存在语言和时间偏见，数据集主要关注欧盟相关内容，可能偏向西方中心内容。
附加信息
- 数据集管理: 由海德堡大学数据库系统研究组的Ashish Chouhan和Dennis Aumiller创建和维护。
- 引用信息: 请参考提供的引用格式。
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国1km分辨率逐月降水量数据集（1901-2023）
该数据集为中国逐月降水量数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2023.12。数据格式为NETCDF，即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国降尺度生成的。并且，使用496个独立气象观测点数据进行验证，验证结果可信。本数据集包含的地理空间范围是全国主要陆地（包含港澳台地区），不含南海岛礁等区域。为了便于存储，数据均为int16型存于nc文件中，降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理，Matlab发布了读入与存储nc文件的函数，读取函数为ncread，切换到nc文件存储文件夹，语句表达为：ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent])，其中XXX.nc为文件名，为字符串需要’’；var是从XXX.nc中读取的变量名，为字符串需要’’；i、j、t分别为读取数据的起始行、列、时间，leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样，研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令，可查看。数据坐标系统建议使用WGS84。
国家青藏高原科学数据中心 收录
CMAB
CMAB数据集由清华大学创建，是中国首个全国范围的多属性建筑数据集，涵盖了3667个自然城市，总面积达213亿平方米。该数据集通过集成多源数据，如高分辨率Google Earth影像和街景图像，生成了建筑的屋顶、高度、功能、年龄和质量等属性。数据集的创建过程结合了地理人工智能框架和机器学习模型，确保了数据的高准确性。CMAB数据集主要应用于城市规划和可持续发展研究，旨在提供详细的城市3D物理和社会结构信息，支持城市化进程和政府决策。
arXiv 收录
AgiBot World
为了进一步推动通用具身智能领域研究进展，让高质量机器人数据触手可及，作为上海模塑申城语料普惠计划中的一份子，智元机器人携手上海人工智能实验室、国家地方共建人形机器人创新中心以及上海库帕思，重磅发布全球首个基于全域真实场景、全能硬件平台、全程质量把控的百万真机数据集开源项目 AgiBot World。这一里程碑式的开源项目，旨在构建国际领先的开源技术底座，标志着具身智能领域 「ImageNet 时刻」已到来。AgiBot World 是全球首个基于全域真实场景、全能硬件平台、全程质量把控的大规模机器人数据集。相比于 Google 开源的 Open X-Embodiment 数据集，AgiBot World 的长程数据规模高出 10 倍，场景范围覆盖面扩大 100 倍，数据质量从实验室级上升到工业级标准。AgiBot World 数据集收录了八十余种日常生活中的多样化技能，从抓取、放置、推、拉等基础操作，到搅拌、折叠、熨烫等精细长程、双臂协同复杂交互，几乎涵盖了日常生活所需的绝大多数动作需求。
github 收录
Obstacle-dataset OD
该数据集用于十五种障碍物检测，包含VOC格式和YOLO训练的.txt文件，数据集中的图像来自VOC数据集、COCO数据集、TT100K数据集以及作者团队实地收集的图片。
github 收录
Materials Project
材料项目是一组标有不同属性的化合物。数据集链接： MP 2018.6.1（69,239 个材料） MP 2019.4.1（133,420 个材料）
OpenDataLab 收录