CoronaCentral

This describes the output file for the CoronaCentral data. The scripts used to create it are hosted in the corona-ml Github repo. The sources for the documents before processing for CoronaCentral are PubMed and CORD-19. The file is a gzipped JSON document containing one record per document. Each document has at least one of: a PubMed ID, a CORD-19 ID (cord_uid), a DOI or a URL. The fields that documents should have are: pubmed_id: PubMed identifier (optional) pmcid: PubMed Central identifier (optional) doi: Digital object identifier (optional) cord_uid: CORD-19 identifier (optional) url: URL journal: Journal/preprint server publish_year: Year of publication (optional) publish_month: Month of publication (optional) publish_day: Day of publication (optional) title: Title of article abstract: Abstract of article (optional) is_preprint: Whether the article is a preprint categories: Predicted categories for article entities: Extracted entities (e.g. drugs) with identifiers and locations within text Please report issues to the corona-ml Github issues page.本内容用于说明CoronaCentral数据集的输出文件。用于生成该文件的脚本托管于corona-ml的GitHub仓库中。CoronaCentral预处理前的文档来源为PubMed与CORD-19。该文件为gzip压缩的JSON文档，每份文档对应一条记录。每条文档至少包含以下任一标识：PubMed编号、CORD-19编号（cord_uid）、数字对象标识符（Digital Object Identifier, DOI）或统一资源定位符（Uniform Resource Locator, URL）。 文档应具备的字段如下： 1. pubmed_id：PubMed标识符（可选） 2. pmcid：PubMed中心（PubMed Central）标识符（可选） 3. doi：数字对象标识符（Digital Object Identifier, DOI）（可选） 4. cord_uid：CORD-19标识符（可选） 5. url：统一资源定位符（Uniform Resource Locator, URL）（可选） 6. journal：期刊/预印本服务器 7. publish_year：发表年份（可选） 8. publish_month：发表月份（可选） 9. publish_day：发表日期（可选） 10. title：文章标题 11. abstract：文章摘要（可选） 12. is_preprint：用于标识文章是否为预印本 13. categories：文章的预测分类标签 14. entities：提取得到的实体（如药物），包含实体标识符及其在文本中的位置信息 若需反馈问题，请提交至corona-ml的GitHub issues页面。