introvoyz041/PubMed-Metadata

---
dataset_info:
features:
- name: PMID
dtype: uint64
- name: PMCID
dtype: large_string
- name: DOI
dtype: large_string
- name: Title
dtype: large_string
- name: Abstract
dtype: large_string
- name: Journal
dtype: large_string
- name: Year
dtype: int64
- name: ISSN
dtype: large_string
- name: eISSN
dtype: large_string
- name: PMC_OA
dtype: bool
- name: Journal License
dtype: large_string
- name: IS_OA
dtype: bool
splits:
- name: train
num_bytes: 42839676179
num_examples: 39043581
download_size: 22268836300
dataset_size: 42839676179
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

PubMed / PubMedCentral metadata I've collected. I produced this by downloading the baselines for PubMed / PubMedCentral from their FTP servers, yet some of the abstracts are strangely truncated. Not sure what is going on there.

IS_OA indicates if the paper is open access, and this was determined by using the data from https://doaj.org/. PMC_OA indicates if its in the PMC open access set.

数据集信息：
特征字段：
- 名称：PMID（PubMed识别号），数据类型：无符号64位整数
- 名称：PMCID（PubMed Central识别号），数据类型：大字符串
- 名称：DOI（数字对象标识符），数据类型：大字符串
- 名称：标题，数据类型：大字符串
- 名称：摘要，数据类型：大字符串
- 名称：期刊，数据类型：大字符串
- 名称：发表年份，数据类型：64位整数
- 名称：ISSN（国际标准连续出版物编号），数据类型：大字符串
- 名称：eISSN（电子国际标准连续出版物编号），数据类型：大字符串
- 名称：PMC_OA，数据类型：布尔型
- 名称：Journal License（期刊许可协议），数据类型：大字符串
- 名称：IS_OA，数据类型：布尔型
数据集划分：
- 划分名称：train（训练集），字节占用量：42839676179，样本总数：39043581
下载大小：22268836300
数据集总占用大小：42839676179
配置项：
- 配置名称：default（默认配置），数据文件：
- 划分：train（训练集），文件路径：data/train-*

本数据集为笔者收集的PubMed与PubMedCentral元数据。笔者通过从其FTP服务器下载PubMed及PubMedCentral的基准数据集构建了该数据集，但部分摘要存在异常截断的情况，目前尚未明确具体成因。
其中，IS_OA用于标识文章是否为开放获取，该判定依据来自https://doaj.org/ 的公开数据；PMC_OA用于标识文章是否隶属于PMC开放获取合集。