Replication Data for: Preprocessed SynRD

Harvard Dataverse2023-02-26 更新2026-04-09 收录

文献处理

数据基准测试

数据链接：

https://dataverse.harvard.edu/citation?persistentId=doi:10.7910/DVN/YL22QK 数据链接链接失效反馈

官方服务：

资源简介：

These are preprocessed tsvs for each paper in the SynRD benchmark.

提供机构：

NYU

创建时间：

2023-01-01

ReadingTimeMachine/rtm-sgt-ocr-v1

光学字符识别

文献处理

该数据集包含超过150万对合成的真实句子（SGT）与OCR句子对，用于OCR后校正任务。这些句子对是从arXiv批量下载的源文档中挖掘的，并使用Tesseract OCR引擎从编译的源文档生成的PDF页面中生成的OCR句子。数据集中的句子对来自1991-2011年的天文学文章，且未对任何PDF文档进行页面增强处理（即这些页面是‘干净’的，没有扭曲、灰尘等）。

Hugging Face2025-07-07 更新240

pie/scidtb_argmin

文献处理

机器学习模型训练

SciDTB ArgMin数据集是一个用于论证挖掘的任务，包含了文档的tokens、id和metadata信息，并且标注了units和relations两个层面。units层面包括提案、断言、结果、观察、手段和描述等标签，而relations层面则包括支持、攻击、附加、细节和序列等关系标签。

Hugging Face2025-09-24 更新100

GNN Benchmarking Datasets

图神经网络评估

数据基准测试

Datasets appearing in "https://arxiv.org/abs/2003.00982" converted to HDF5

Zenodo2021-09-11 更新80

laion/biorXiv-pdf

生物学文本挖掘

文献处理

BiorXiv PDF数据集是一个从BiorXiv网站收集的PDF文档集合，旨在为研究人员提供易于获取的训练数据集，以促进人工智能研究的民主化。该数据集包含生物及相关学科领域的预印本文章，由冷泉港实验室（CSHL）和扎克伯格·陈计划运营。预计研究人员和爱好者将使用这个数据集来训练和开发开创性的科学领域特定模型，以及为特定体裁和应用微调现有模型。

Hugging Face2024-10-18 更新130

timaeus/dsir-pile-13m-filtered-for-philpapers

文本分析

文献处理

--- dataset_info: features: - name: contents dtype: string - name: metadata struct: - name: pile_set_name sequence: string - name: id dtype: int64 splits: - name: tra

Hugging Face2024-11-15 更新90

Replication Data for: Preprocessed SynRD

资源简介：

相关数据集