مقالات علمی

  • توضیحات :

مجموعه داده های مقالات علمی شامل دو مجموعه از اسناد بلند و ساختار یافته است. مجموعه داده ها از مخازن ArXiv و PubMed OpenAccess به دست آمده اند.

"arxiv" و "pubmed" هر دو دارای دو ویژگی هستند:

FeaturesDict({
    'abstract': Text(shape=(), dtype=string),
    'article': Text(shape=(), dtype=string),
    'section_names': Text(shape=(), dtype=string),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
چکیده متن رشته
مقاله متن رشته
بخش_نام ها متن رشته

  • کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('article', 'abstract')

  • شکل ( tfds.show_examples ): پشتیبانی نمی شود.

  • نقل قول :

@article{Cohan_2018,
   title={A Discourse-Aware Attention Model for Abstractive Summarization of
            Long Documents},
   url={http://dx.doi.org/10.18653/v1/n18-2097},
   DOI={10.18653/v1/n18-2097},
   journal={Proceedings of the 2018 Conference of the North American Chapter of
          the Association for Computational Linguistics: Human Language
          Technologies, Volume 2 (Short Papers)},
   publisher={Association for Computational Linguistics},
   author={Cohan, Arman and Dernoncourt, Franck and Kim, Doo Soon and Bui, Trung and Kim, Seokhwan and Chang, Walter and Goharian, Nazli},
   year={2018}
}

Scientific_papers/arxiv (پیکربندی پیش‌فرض)

  • توضیحات پیکربندی : اسناد از مخزن ArXiv.

  • حجم مجموعه داده : 7.07 GiB

  • تقسیم ها :

شکاف مثال ها
'test' 6,440
'train' 203,037
'validation' 6,436

مقالات علمی/pubmed

  • توضیحات پیکربندی : اسناد از مخزن PubMed.

  • حجم مجموعه داده : 2.34 GiB

  • تقسیم ها :

شکاف مثال ها
'test' 6658
'train' 119924
'validation' 6633