sentence-transformers/s2orc

S2ORC数据集包含来自Semantic Scholar开放研究语料库（S2ORC）的科学论文的标题、摘要和引用。该数据集可用于训练嵌入模型，特别是Sentence Transformer模型。数据集包含三个子集：title-abstract-pair、title-citation-pair和abstract-citation-pair，每个子集都有其特定的列和数据类型，并提供了示例和收集策略。

原始信息汇总

数据集概述

数据集名称

• S2ORC

语言和多语言性

• 语言: 英语
• 多语言性: 单语种

大小分类

• 大小: 100M<n<1B

任务分类

• 任务: 特征提取, 句子相似度

数据集配置

abstract-citation-pair 配置

• 特征:
  • abstract: 字符串类型
  • citation: 字符串类型
• 分割:
  • train: 39567485个样本, 92216608962字节
• 下载大小: 54303161925字节
• 数据集大小: 92216608962字节

title-abstract-pair 配置

• 特征:
  • title: 字符串类型
  • abstract: 字符串类型
• 分割:
  • train: 41769185个样本, 30708996393字节
• 下载大小: 19187786420字节
• 数据集大小: 30708996393字节

title-citation-pair 配置

• 特征:
  • title: 字符串类型
  • citation: 字符串类型
• 分割:
  • train: 51030086个样本, 9567159942字节
• 下载大小: 7054217221字节
• 数据集大小: 9567159942字节

默认配置

• 默认配置: title-abstract-pair

数据集子集

title-abstract-pair 子集

• 列: "title", "abstract"
• 列类型: 字符串, 字符串
• 收集策略: 从embedding-training-data读取S2ORC标题-摘要数据集
• 去重: 否

title-citation-pair 子集

• 列: "title", "citation"
• 列类型: 字符串, 字符串
• 收集策略: 从embedding-training-data读取S2ORC标题-引用数据集, 每篇标题与首个引用作为样本
• 去重: 否

abstract-citation-pair 子集

• 列: "abstract", "citation"
• 列类型: 字符串, 字符串
• 收集策略: 从embedding-training-data读取S2ORC摘要-引用数据集, 每篇引用与首个摘要作为样本
• 去重: 否