ACL ARC

ACL Anthology Reference Corpus (ACL ARC) 是 ACL Anthology 中 10,920 篇学术论文的集合。清理 ACL ARC 以删除：看起来不是完整论文、论文碎片、外语论文（例如法语）或纯垃圾的文件。标题（标题和作者信息；不是抽象的）。页脚（“参考”行和实际参考）。一些坏字符（虚假字符）。一些页码（即出现在一行上的单个数字，没有附加任何其他内容）。英文论文中的重要外语（例如法语）内容。清理后的语料库有 10,628 个文档。