yifeihu/ACL-23-Paper-OCR-Markdown

该数据集包含2150篇来自2023年计算语言学协会（ACL）的论文，分为长论文（912篇）、短论文（185篇）、系统演示（59篇）、学生研究研讨会（35篇）、行业轨道（77篇）、教程摘要（7篇）和发现（902篇）。数据集由[@hu_yifei](https://x.com/hu_yifei)作为Open Research Assistant项目的一部分处理和编译。论文使用Marker进行OCR处理，并提供了Marker的商业使用许可和限制的链接。This dataset contains 2150 papers from the 2023 Annual Meeting of the Association for Computational Linguistics (ACL). It is categorized into Long Papers (912), Short Papers (185), System Demonstrations (59), Student Research Workshop (35), Industry Track (77), Tutorial Abstracts (7), and Findings (902). The dataset was processed and compiled by @hu_yifei (https://x.com/hu_yifei) as part of the Open Research Assistant project. All papers were OCR-processed using Marker, and links to Marker's commercial usage permissions and restrictions are provided.

原始信息汇总

ACL 2023 Paper in Markdown after OCR

数据集概述

• 任务类别: 摘要生成、文本生成
• 语言: 英语
• 标签: OCR
• 数据集名称: acl_23_paper_- 数据规模: 1K<n<10K

数据内容

该数据集包含2150篇来自Association for Computational Linguistics (ACL) 2023的论文，具体分类如下：

• 长论文: 912篇
• 短论文: 185篇
• 系统演示: 59篇
• 学生研究工作坊: 35篇
• 行业跟踪: 77篇
• 教程摘要: 7篇
• 研究成果: 902篇

OCR处理

这些论文通过Marker工具进行处理，该工具由@VikParuchuri开发。对于商业用途，请参阅Marker的许可和限制了解更多详情。

搜集汇总

背景与挑战

背景概述

该数据集包含2150篇ACL 2023会议论文，涵盖长文、短文、系统演示等多种类型。数据集通过OCR技术将原始PDF论文转换为结构化的Markdown格式，包含论文ID、标题、摘要和OCR处理后的完整文本内容，适用于自然语言处理任务如文本摘要和生成。