nglaura/arxivlay-summarization

ArXiv-Lay是arXiv摘要数据集的增强版本，提供了布局信息。该数据集包含文章ID、文章词序列、对应的词边界框、归一化的词边界框、摘要和文章PDF的URL。数据集分为训练集、验证集和测试集，分别包含122,189、4,374和4,356个实例。

原始信息汇总

数据集概述

数据集名称

LoRaLay: A Multilingual and Multimodal Dataset for Long Range and Layout-Aware Summarization

数据集详情

• 合作机构：reciTAL, MLIA (ISIR, Sorbonne Université), Meta AI, Università di Trento
• 数据集版本：ArXiv-Lay，为arXiv summarization数据集的增强版本，包含布局信息。

数据字段

• article_id: 文章ID
• article_words: 文章主体的单词序列
• article_bboxes: 相应单词的边界框序列
• norm_article_bboxes: 相应单词的归一化边界框序列
• abstract: 文章摘要字符串
• article_pdf_url: 文章PDF的URL

数据分割

• 训练集：122,189个实例
• 验证集：4,374个实例
• 测试集：4,356个实例

许可证

Apache-2.0

任务类别

• 摘要生成

语言

• 英语

数据集别名

arXiv-Lay