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.本说明针对CoronaCentral数据集的输出文件进行说明。用于生成该文件的脚本托管于corona-ml的GitHub代码仓库中。CoronaCentral预处理前的文档来源为PubMed与CORD-19。该文件为经gzip压缩的JSON格式文档，每份文档对应一条数据记录。每条记录至少包含以下一类标识：PubMed编号（PubMed ID）、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）。 文档应包含以下字段： - pubmed_id：PubMed 标识符（PubMed ID，可选） - pmcid：PubMed Central 标识符（可选） - doi：数字对象标识符（Digital Object Identifier，DOI，可选） - cord_uid：CORD-19 标识符（可选） - url：统一资源定位符（Uniform Resource Locator，URL） - journal：期刊/预印本服务器名称 - publish_year：发表年份（可选） - publish_month：发表月份（可选） - publish_day：发表日期（可选） - title：文章标题 - abstract：文章摘要（可选） - is_preprint：标识文章是否为预印本 - categories：文章的预测分类标签 - entities：提取得到的实体（如药物），包含其标识符与在文本中的位置信息 若发现相关问题，请提交至corona-ml的GitHub Issues页面。