К содержимому

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")