COLING 2022 | CSL-大规模中文科学文献数据集
该工作提出了首个中文科学文献数据集-CSL，包含约 40 万条中文论文，具有广泛的领域分类和细粒度学科标签，能用于构建多种 NLP 任务，例如文本摘要、关键词生成和文本分类等。
为了填补这一空白，本文提出了 CSL-大规模中文科学文献数据集，包含约 40 万篇中文论文元数据（标题、摘要、关键词以及学科领域标签）。此外，为了提供中文科学文献基准测评，本文设计了 4 个下游任务数据集，包括文本摘要、关键词生成、论文门类分类（13 类）和论文学科分类（67 类）。
1. 整理和公开首个中文科学文献数据集 CSL，可以被用作预训练语料或学术相关 NLP 下游任务数据；
2. 基于 CSL，提供中文科学文献基准测评，用于评估语言模型处理科学文献时的性能；
3. 提供中文 text-to-text 语言模型作为基线模型，实验结果展示了目前的 NLP 方法对中文科学文献理解的局限。
1. 更广的领域分布。已有的科学文献数据通常针对某个或某些领域，而 CSL 几乎包含所有中文研究领域，并且具有更细粒度的标注。
2. 新的数据源。已有的资源从通常从 Arxiv、PubMed 等数据源中收集。CSL 源自中文核心期刊，对现有数据资源产生互补。
3. 更高的质量和准确性。现有的数据源例如 Arxiv 的一些论文没有经过同行评审，而 CSL 源自中文核心期刊的已发表论文，因此潜在地具有更高质量。在另一方面，CSL 直接获取论文元数据，不经过 PDF/LaTeX 解析，准确率更高。
学术论文的元数据包含丰富的语义信息，使它成为一种天然有标注数据。预测这些信息之间的相互关系可以构成许多 NLP 任务，例如用论文摘要预测标题可以视为一个文本摘要任务；用论文标题预测所属领域则是文本分类任务。这样的组合可以有很多种，如下图所示：
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱：[email protected]
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
微信扫码关注该文公众号作者