ENM/dataset-prueba

科学论文数据集包含来自ArXiv和PubMed OpenAccess仓库的长篇结构化文档。数据集包含两个子集：arxiv和pubmed，每个子集都有三个特征：文章正文、摘要和章节标题，分别以字符串形式存储。数据集分为训练集、验证集和测试集。

原始信息汇总

数据集概述

数据集名称

• 名称: ScientificPapers

数据集描述

• 概述: 该数据集包含来自ArXiv和PubMed OpenAccess仓库的两组长篇结构化文档。每个文档包含文章主体、摘要和章节标题。
• 特征:
  • article: 文章主体，以段落分隔。
  • abstract: 文章摘要，以段落分隔。
  • section_names: 章节标题，以段落分隔。

数据集结构

• 数据实例:
  • arxiv:
    • 下载大小: 4295.97 MB
    • 生成数据集大小: 7231.70 MB
    • 总磁盘使用: 11527.66 MB
  • pubmed:
    • 下载大小: 4295.97 MB
    • 生成数据集大小: 2390.49 MB
    • 总磁盘使用: 6686.46 MB
• 数据字段:
  • article: 字符串类型。
  • abstract: 字符串类型。
  • section_names: 字符串类型。
• 数据分割:

  名称	train	validation	test
  arxiv	203037	6436	6440
  pubmed	119924	6633	6658

引用信息

@article{Cohan_2018, title={A Discourse-Aware Attention Model for Abstractive Summarization of Long Documents}, url={http://dx.doi.org/10.18653/v1/n18-2097}, DOI={10.18653/v1/n18-2097}, journal={Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 2 (Short Papers)}, publisher={Association for Computational Linguistics}, author={Cohan, Arman and Dernoncourt, Franck and Kim, Doo Soon and Bui, Trung and Kim, Seokhwan and Chang, Walter and Goharian, Nazli}, year={2018} }