nglaura/pubmedlay-summarization

PubMed-Lay是一个增强版的PubMed摘要数据集，提供了布局信息。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78,234、4,084和4,350个实例。

原始信息汇总

数据集概述

数据集名称

PubMed-Lay

数据集描述

PubMed-Lay是PubMed摘要数据集的一个增强版本，提供了布局信息。

数据集用途

用于摘要生成任务。

数据集语言

英语（en）

数据集许可

Apache-2.0

数据集字段

• 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: 相应单词的规范化边界框序列
• abstract: 文章摘要字符串
• article_pdf_url: 文章PDF的URL

数据集分割

• 训练集: 78,234个实例
• 验证集: 4,084个实例
• 测试集: 4,350个实例

数据集引用

latex @article{nguyen2023loralay, title={LoRaLay: A Multilingual and Multimodal Dataset for Long Range and Layout-Aware Summarization}, author={Nguyen, Laura and Scialom, Thomas and Piwowarski, Benjamin and Staiano, Jacopo}, journal={arXiv preprint arXiv:2301.11312}, year={2023} }