semantic scholar ORC

我们介绍了S2ORC，这是一个涵盖许多学科的81.1m英语学术论文的大型语料库。语料库由丰富的元数据，论文摘要，已解析的书目参考以及8.1M开放获取论文的结构化全文组成。全文使用自动检测到的引文，图形和表格的内联引用进行注释，每个引用都链接到其相应的纸质对象。在S2ORC中，我们将来自数百家学术出版商和数字档案馆的论文汇总到一个统一的来源中，并创建迄今为止最大的可公开获取的机器可读学术文本集合。我们希望此资源将促进对学术文本进行文本挖掘的工具和任务的研究和开发。