Датасет · WINGNUS
Полные тексты и PDF научных статей ACL Anthology
WINGNUS/ACL-OCL
Корпус из 80 тысяч англоязычных статей по компьютерной лингвистике с PDF-файлами, извлечёнными текстами и списками литературы.
Что внутри
Репозиторий включает около 80 тысяч научных статей и постеров из архива ACL Anthology по состоянию на сентябрь 2022 года на английском языке. Помимо исходных PDF-файлов, внутри лежат полные тексты, библиографические ссылки и метаданные, извлечённые с помощью парсера GROBID.
Что можно сделать
- Обучение моделей разметки научных текстов (token-classification) и извлечения цитат
- Построение RAG-систем и графов цитирования по публикациям в области NLP
- Задачи
- Разметка токенов
- Языки
- Английский
- Размер
- 10K–100K записей
- Скачиваний за месяц
- 3,9 тыс.
- Лайков
- 51
Как загрузить
from datasets import load_dataset
ds = load_dataset("WINGNUS/ACL-OCL")