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:

• مقاله: بدنه سند، صفحاتی که با "/n" از هم جدا شده اند.
• چکیده: چکیده سند، صفحاتی که با "/n" از هم جدا شده اند.

• section_names: عناوین بخش‌هایی که با "/n" از هم جدا شده‌اند.

• اسناد اضافی : کاوش در کاغذها با کد north_east

• صفحه اصلی : https://github.com/armancohan/long-summarization

• کد منبع : tfds.datasets.scientific_papers.Builder

• نسخه ها :

  • 1.1.0 : بدون یادداشت انتشار.
  • 1.1.1 (پیش فرض): بدون یادداشت انتشار.

• حجم دانلود : 4.20 GiB

• ذخیره خودکار ( اسناد ): خیر

• ساختار ویژگی :

FeaturesDict({
    'abstract': Text(shape=(), dtype=string),
    'article': Text(shape=(), dtype=string),
    'section_names': Text(shape=(), dtype=string),
})

• مستندات ویژگی :

• 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 :

• مثال‌ها ( tfds.as_dataframe ):

مقالات علمی/pubmed

• توضیحات پیکربندی : اسناد از مخزن PubMed.

• حجم مجموعه داده : 2.34 GiB

• تقسیم ها :

• مثال‌ها ( tfds.as_dataframe ):