数据集概述
本数据集为NAACL 2021论文配套的ACL-cite数据集，包含从ACL Anthology学术文献中提取的270余万句学术文本，及对应句子是否需要引用的标注标签，用于研究上下文对句子引用价值预测的作用。数据集含三个CSV文件，按文档ID划分训练、验证和测试集。
文件详解
- 压缩包文件
- 文件名称：ACL-cite.zip
- 文件格式：ZIP
- 包含文件：
- train.csv：1,625,268行，含训练数据
- dev.csv：539,085行，含验证数据
- test.csv：542,081行，含测试数据
- 字段映射：所有CSV文件均包含document_id（文献ID）、section（章节名）、section_id（章节序号）、paragraph_id（段落序号）、sentence（去引用句）、raw_sentence（含引用原句）、sentence_id（句子序号）、label（引用价值标签）字段
数据来源
论文“On the Use of Context for Predicting Citation Worthiness of Sentences in Scholarly Articles”
适用场景
- 学术文本引用价值预测: 基于标注数据训练模型，判断句子是否需要引用
- 自然语言处理任务: 用于上下文建模、句子级分类等NLP任务的模型训练与验证
- 学术文献分析: 研究学术文本中引用行为的分布规律与上下文关联
- 文献引用辅助工具开发: 为自动引用推荐、学术写作辅助工具提供数据支持
