化学物质语义损失数据集-用于本体分类研究-sfluegel
数据来源：互联网公开数据
标签：化学，本体，分类，语义，机器学习，ChEBI，PubChem，SMILES，GHS，数据集，科研
数据概述：
本数据集包含三个子数据集，用于支持一篇关于本体分类的语义损失研究论文。数据集主要涵盖了化学物质的结构信息，并提供了用于监督学习、无监督学习和评估的多种数据。
子数据集包括：
- ChEBI100：源于ChEBI（Chemical Entities of Biological Interest，生物化学物质）数据库的231版本。该数据集包含化学物质的SMILES字符串（如果可用）以及相应的标签，标签表示ChEBI中该物质的超类，这些超类至少拥有100个SMILES标注的子类。
- PubChem Dissimilar：源于PubChem数据库（2024年3月发布）的SMILES字符串。该数据集包含200,000个化学物质，这些物质基于“差异性”评分从1,000,000个随机选择的实体中选出，用于无监督学习。
- PubChem Hazardous：源于PubChem数据库的GHS（Globally Harmonized System of Classification and Labelling of Chemicals，全球化学品统一分类和标签制度）分类子集。该数据集包含化学物质的SMILES字符串，用于评估模型的性能。
数据用途概述：
该数据集主要用于支持化学领域中关于本体分类的语义损失研究。具体而言，可用于：
- 训练和评估基于SMILES字符串的化学物质分类模型。
- 探索不同的语义损失函数在本体分类任务中的表现。
- 研究化学物质结构与类别之间的关系。
- 开发和验证新的化学物质分类方法。
- 为化学信息学、药物发现等领域的研究提供数据基础。
相关代码可在GitHub上找到。
