kmfoda/gov_report

数据集gov_report包含约19.5k份美国政府报告，每份报告都附有专家撰写的摘要。该数据集的特点包括：文档和摘要的长度显著长于现有数据集（如PubMed和arXiv），且重要内容分散在整个文档中，而不是集中在特定部分。这些特性使得GOVREPORT成为生成多段长文档摘要的重要基准。

The dataset gov_report contains approximately 19.5k U.S. government reports, each accompanied by an expert-authored abstract. The notable characteristics of this dataset include significantly longer document and abstract lengths compared to existing datasets such as PubMed and arXiv, as well as the dispersion of key content across the entire document rather than concentration in specific sections. These features make GOVREPORT a critical benchmark for multi-paragraph long-document summarization.

原始信息汇总

数据集概述

数据集名称

GOV_REPORT

数据集描述

该数据集包含约19.5k份美国政府报告，每份报告附有专家撰写的抽象摘要。报告平均长度为9.4k字，摘要平均长度为553字。与现有数据集如PubMed和arXiv相比，GOV_REPORT的特点在于文档和摘要的长度显著更长，且重要内容分布在整个文档中，而非集中于特定部分。

数据集特征

• source: 数据类型为字符串
• target: 数据类型为字符串

数据集分割

• test: 包含972个样本，占用55710125字节
• train: 包含17519个样本，占用976584268字节
• validation: 包含973个样本，占用57315603字节

数据集大小

• 下载大小: 528419980字节
• 数据集总大小: 1089609996字节

搜集汇总

背景与挑战

背景概述

该数据集包含约19.5k份美国政府报告及其专家撰写的摘要，专注于长文档摘要任务。其关键特点是文档和摘要长度显著长于现有数据集（平均文档9.4k词，摘要553词），且重要内容分散在文档各处，而非集中，这使其成为评估多段长文档摘要模型的重要基准。