Mxode/CAMS

CAMS（中文属性化多方面摘要数据集）是一个包含100万篇高质量中文长文章的大规模摘要数据集，每篇文章都配备了三个不同粒度的摘要（长摘要、中摘要、短摘要）和一组丰富的属性标签，如关键词、陈述类型、情感倾向、正式度和时态等。数据集旨在为长文本摘要研究和模型训练提供支持。

CAMS (Chinese Attribute-based Multi-faceted Summarization Dataset) is a large-scale summarization dataset containing 1 million high-quality Chinese long articles, each accompanied by three different levels of summaries (long, medium, short) and a set of rich attribute tags such as keywords, statement types, sentiment orientations, formality, and tense. The dataset aims to support research and model training in long-text summarization.

搜集汇总

数据集介绍

构建方式

CAMS数据集的构建经历了系统化的三阶段流程。首先，从大规模行业语料库IndustryCorpus2中筛选出约1000万篇文章作为初始候选集，经过严格的质量过滤、启发式规则过滤和主题平衡性重采样，最终精选出100万篇主题多样、内容优质的长文本。其次，提出了一种逐步生成（Stepwise Generation）策略来构建多层次摘要：从原文生成详细的长摘要，再将原文与长摘要作为上下文生成中摘要，最后融合原文、长摘要与中摘要生成最精炼的短摘要，确保各级摘要间的一致性与连贯性。最后，对每篇文章进行关键词提取及多个语言学与文体学维度的属性标注，并通过多轮生成与投票机制保障标注的准确性。

特点

该数据集的核心特色在于其大规模、多维度与细粒度属性标注的有机结合。数据集包含100万篇平均长度超过1500个字符的中文长文章，为长文本摘要研究提供了富有挑战性的训练平台。每篇文章均配备长、中、短三个层级的摘要，分别覆盖详细、简洁和一句话总结的不同粒度信息。此外，数据集还提供了丰富的属性标签，涵盖关键词、陈述类型、情感倾向、正式度及时态等维度，使得模型能够学习到文本的多方面特征。主题分布覆盖30个领域，从生物医药到人工智能，从金融法律到文学艺术，展现了极高的领域多样性。

使用方法

研究者可通过HuggingFace的datasets库便捷地加载CAMS数据集，仅需一行代码`load_dataset('Mxode/CAMS')`即可获取训练数据。数据集以Parquet格式存储，包含'id'、'text'、'topic'、'short_summary'、'medium_summary'、'long_summary'、'keywords'、'statement_type'、'sentiment'、'formality'、'tense'及'meta_data'等字段。该数据集适用于多种自然语言处理任务，包括可控摘要生成、属性感知文本生成、长文本理解以及多任务学习等场景。研究者可基于不同粒度的摘要进行对比实验，或利用属性标签探索条件生成与风格迁移等前沿方向。

背景与挑战

背景概述

在大型语言模型迅猛发展的浪潮中，高质量、大规模的非英语训练语料库成为推动自然语言处理技术普惠化与多语言适配的关键瓶颈。中文长文本摘要领域长期受制于数据集规模有限、文章篇幅短小以及摘要粒度单一等结构性缺陷，难以支撑模型在复杂信息压缩与可控生成任务上的突破。为回应这一迫切需求，Xiantao Zhang于2025年发布了CAMS数据集，这是一个包含百万篇中文长文章的大规模、基于属性的多维度摘要资源。该数据集由研究者从BAAI的IndustryCorpus2语料库中精心筛选构建，平均文章长度超过1500字符，显著超越了LCSTS、CNewSum等既有中文摘要数据集。CAMS的核心研究问题聚焦于如何通过多层次摘要生成与丰富的属性标注（如情感倾向、正式度、时态等），推动可控摘要、属性感知生成及长文本理解等前沿方向的探索。其发布不仅填补了中文长文本摘要资源的空白，也为多语言自然语言处理社区提供了兼具规模与深度的基准平台。

当前挑战

CAMS数据集所面对的挑战首先体现在领域问题的复杂性上：长文本摘要本身要求模型在保留原文核心信息的同时实现高度压缩，而中文的篇章结构和语义表达特点进一步加剧了这一任务难度，现有模型常难以在信息保真度与摘要简洁性之间取得平衡。在数据集构建过程中，挑战同样严峻：从千万级候选文章中筛选百万篇高质量样本时，需通过精细的质量过滤与主题平衡性重采样，确保覆盖30个领域的多样性，同时避免主题偏差对模型泛化能力的影响。此外，多层次摘要的生成采用逐步生成流程，要求长、中、短三级摘要之间保持语义一致性与逻辑连贯性，这对生成策略的设计与评估提出了严苛要求。属性标注环节则面临主观性与一致性难题，如情感倾向和正式度的判定需依赖多轮生成与投票机制来减少标注噪声，而关键词提取的准确性和覆盖度也需持续优化。这些挑战共同构成了CAMS在推动中文摘要研究时必须克服的核心障碍。

常用场景

经典使用场景

CAMS数据集最经典的使用场景在于长文本摘要模型的训练与评估。其文章平均长度超过1500字符，远超现有中文摘要数据集，为模型捕捉长距离语义依赖提供了极具挑战性的测试平台。同时，数据集为每篇文章配备了长、中、短三个粒度的摘要，使得研究者能够系统性地探索不同压缩率下的摘要生成性能，并推动模型在信息保留与简洁性之间的平衡能力。此外，丰富的属性标签（如情感倾向、正式度、时态）使得CAMS成为可控摘要研究的理想基准，支持基于特定属性的条件生成任务。

衍生相关工作

CAMS数据集催生了一系列围绕长文本摘要与属性感知生成的前沿工作。研究者基于其多层次摘要结构，提出了渐进式摘要生成框架，通过逐步压缩信息的方式提升摘要质量。同时，该数据集推动了可控摘要领域的发展，涌现出利用属性标签进行情感导向或正式度调控的生成模型。此外，CAMS丰富的主题分布（涵盖30类领域）为跨领域摘要迁移学习提供了基准，相关研究探索了领域自适应策略在长文本摘要中的有效性。在评估方法上，该数据集也促进了针对中文长文本的多维度自动评估指标的设计，如结合语义一致性与属性对齐度的复合评估体系。

数据集最近研究

最新研究方向

随着大型语言模型在文本生成领域的迅猛发展，可控摘要与属性感知生成成为自然语言处理的前沿热点。CAMS数据集以百万级中文长文本为核心，突破传统摘要数据集在文章长度与属性多样性上的局限，通过多层次摘要结构与情感、正式度、时态等多维标注，为模型在复杂语境下的细粒度生成能力提供了全新训练与评估基准。其覆盖金融、法律、医疗、科研等30个主题的广泛分布，使得研究可深入探索跨领域长文本理解与属性可控生成之间的协同效应，有望推动更具语言多样性与语义保真度的摘要系统在智能助手、知识管理及内容创作等场景中的落地应用。