saier/unarXive_citrec

unarXive引用推荐数据集包含来自计算机科学论文的250万段落，并带有注释的引用标记。这些段落和引用信息来源于unarXive项目。每个数据实例包含段落的文本以及其中一个引用标记的信息，形式为标签（被引用文档的OpenAlex ID）、引用标记和引用标记偏移量。数据集分为训练集、开发集和测试集，分别包含2,043,192、225,084和225,348个实例。数据集的创建过程涉及从unarXive数据集中提取段落文本，并通过自动方式确定引用信息。数据集发布在Creative Commons Attribution-ShareAlike 4.0许可证下。

原始信息汇总

数据集概述

• 名称: unarXive citation recommendation
• 语言: 英语
• 语言创建者: 发现
• 许可: CC-BY-SA-4.0
• 多语言性: 单语
• 大小: 1M<n<10M
• 标签: arXiv.org, arXiv, citation recommendation, citation, reference, publication, paper, preprint, section, physics, mathematics, computer science, cs
• 任务类别: 文本分类
• 任务ID: 多类分类
• 源数据集: 扩展自10.5281/zenodo.7752615

数据集结构

• 特征:
  • _id: 字符串
  • text: 字符串
  • marker: 字符串
  • marker_offsets: 整数序列
  • label: 字符串
• 分割:
  • 训练: 2,043,192实例
  • 验证: 225,084实例
  • 测试: 225,348实例

数据集创建

• 源数据: 从unarXive提取的段落文本
• 注释创建者: 机器生成
• 注释过程: 自动确定引用信息

附加信息

• 许可信息: 数据集根据Creative Commons Attribution-ShareAlike 4.0许可发布

• 引用信息:

  @inproceedings{Saier2023unarXive, author = {Saier, Tarek and Krause, Johan and F"{a}rber, Michael}, title = {{unarXive 2022: All arXiv Publications Pre-Processed for NLP, Including Structured Full-Text and Citation Network}}, booktitle = {Proceedings of the 23rd ACM/IEEE Joint Conference on Digital Libraries}, year = {2023}, series = {JCDL 23} }