业界首个大规模中文科学文献数据集——CSL发布

这是中国地质大学研究人员联合深圳大学和腾讯AI实验室的研究人员发布了一个大规模中文科学文献数据集。

包含 2010-2020 年发表的期刊论文元信息（标题、摘要和关键词）。根据中文核心期刊目录进行筛选， 并标注学科和门类标签，分为 13 个门类（一级标签）和 67 个学科（二级标签）。 数据总量为 396,209 条。具体的类别结果如下：

为了推动中文科学文献 NLP 研究，本项目提供一系列测评基准任务。 测评任务数据集从 CSL 中抽样 10,000 条，按照 0.8: 0.1: 0.1的比例划分训练、验证和测试集。 为了提供公平的多任务学习设置，各任务使用相同的训练、验证和测试集。 任务数据集以 text2text 的形式提供，可以直接在基线模型（例如 T5）上进行多任务训练。

目前包括的任务基准有：

1. 文本摘要
2. 关键词生成
3. 论文分类
4. 论文学科分类