数据集概述
本数据集为MESINESP西班牙语医学语义索引训练数据集，包含从虚拟健康图书馆（VHL）的LILACS和IBECS数据库中提取的369,368条西班牙语医学文献记录，涵盖科学文章、专利和临床试验等类型。数据分为原始训练集和预处理训练集，提供文献元数据、摘要及DeCS代码等信息，用于医学语义索引相关任务。
文件详解
- 压缩包文件：
MESINESP-training.zip
- 文件格式：ZIP
- 包含内容：
- 原始训练集：含369,368条记录，保留从VHL获取的限定符信息
- 预处理训练集：含318,658条至少有一个DeCS代码且无修饰符的记录
- JSON文件格式：
- 字段映射：包含
id（文献ID）、title（标题）、abstractText（摘要内容）、journal（期刊名）、year（年份）、db（数据库名）、decsCodes（DeCS代码列表）
- DeCS转换表：通过链接提供，含DeCS代码、首选描述符、同义词列表（欧洲和拉丁西班牙语版本）
数据来源
虚拟健康图书馆（VHL）的LILACS和IBECS数据库
适用场景
- 医学语义索引模型训练: 用于西班牙语生物医学文献的自动语义标注和索引系统开发
- 生物医学文本挖掘: 基于摘要内容和DeCS代码进行主题分类、关键词提取等文本分析任务
- 医学数据库检索优化: 研究DeCS代码在文献检索中的应用，提升医学数据库的检索准确性
- 西班牙语医学文献分析: 统计西班牙语医学文献的分布特征、摘要长度及主题覆盖情况
