badrabdullah/royal_society_corpus_metadata

RSC 6.0数据集涵盖了从1665年到1920年间的《Philosophical Transactions of the Royal Society》科学出版物，包含了所有类型的出版物，主要以英语为主，记录了科学话语的演变。数据集内容包括期刊文章、作者、出版日期、正文、文本类型等，经过OCR处理和语言注释，适用于历史语言学、科学写作的历时研究以及自然语言处理应用的训练数据。

原始信息汇总

数据集概述

数据集名称

• Royal Society Corpus (RSC) 6.0 Open

数据集描述

• 内容类型: 文本（期刊文章）
• 语言: 主要为英语
• 时间覆盖: 1665 - 1920
• 字数: 约78.6百万字
• 领域: 标题、作者、出版日期、文本主体、文本类型（如文章、摘要）

数据集特征

• id: 字符串
• issn: 字符串
• title: 字符串
• fpage: 字符串
• lpage: 字符串
• year: 整数
• volume: 整数
• journal: 字符串
• author: 字符串
• type: 字符串
• corpusBuild: 字符串
• doiLink: 字符串
• language: 字符串
• jrnl: 字符串
• decade: 整数
• period: 整数
• century: 整数
• pages: 整数
• sentences: 整数
• tokens: 整数
• visualizationLink: 字符串
• doi: 字符串
• jstorLink: 字符串
• hasAbstract: 浮点数
• isAbstractOf: 浮点数
• primaryTopic: 字符串
• primaryTopicPercentage: 浮点数
• secondaryTopic: 字符串
• secondaryTopicPercentage: 浮点数
• category: 字符串
• tsne_embedding: 序列（浮点数）
• text: 字符串

数据集大小

• 训练集大小: 17520个样本，412915149字节
• 下载大小: 211087434字节

许可证

• Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License

使用案例

• 历史语言学研究
• 科学写作的历时研究
• 历史文本的自然语言处理应用训练数据