Trelis/big_patent_sample
收藏资源简介：
BIGPATENT数据集包含130万条美国专利文档记录，每条记录都附有人类编写的摘要。每个美国专利申请都根据合作专利分类（CPC）代码进行分类，共有九个分类类别。数据集的结构包括每个实例的`description`和`abstract`字段，分别从专利的描述部分和摘要部分提取。数据集的分割包括训练集、验证集和测试集，每个分类类别都有相应的数据量。
The BIGPATENT dataset contains 1.3 million records of U.S. patent documents, each accompanied by a human-written abstract. Each U.S. patent application is categorized in accordance with Cooperative Patent Classification (CPC) codes, covering a total of nine classification categories. The dataset includes `description` and `abstract` fields for each instance, which are extracted from the patent's description section and abstract section respectively. The dataset is split into training, validation, and test sets, with corresponding data volumes for each classification category.
数据集概述
数据集描述
数据集摘要
BIGPATENT是一个包含130万条美国专利文档及其人工编写摘要的大型数据集。每个美国专利申请都根据合作专利分类（CPC）代码进行分类，共有九个分类类别：
- a: 人类必需品
- b: 操作执行；运输
- c: 化学；冶金
- d: 纺织品；纸张
- e: 固定建筑
- f: 机械工程；照明；加热；武器；爆破
- g: 物理学
- h: 电力
- y: 新技术或交叉技术的通用标记
当前默认版本为2.1.2（修复更新为带大小写原始字符串）和所有CPC代码： python from datasets import load_dataset ds = load_dataset("big_patent") # 默认是所有CPC代码 ds = load_dataset("big_patent", "all") # 与上述相同 ds = load_dataset("big_patent", "a") # 仅a CPC代码 ds = load_dataset("big_patent", codes=["a", "b"])
要使用1.0.0版本（小写分词单词），需传递codes和version参数：
python
ds = load_dataset("big_patent", codes="all", version="1.0.0")
ds = load_dataset("big_patent", codes="a", version="1.0.0")
ds = load_dataset("big_patent", codes=["a", "b"], version="1.0.0")
支持的任务和排行榜
[更多信息需补充]
语言
英语
数据集结构
数据实例
每个实例包含一对description和abstract。description是从专利的描述部分提取的，而abstract是从摘要部分提取的。
json
{
description: FIELD OF THE INVENTION
[0001] This invention relates to novel calcium phosphate-coated implantable medical devices and processes of making same. The unique calcium-phosphate coated implantable medical devices minimize...,
abstract: This invention relates to novel calcium phosphate-coated implantable medical devices...
}
数据字段
description: 专利的详细描述。abstract: 专利摘要。
数据分割
| train | validation | test | |
|---|---|---|---|
| all | 1207222 | 67068 | 67072 |
| a | 174134 | 9674 | 9675 |
| b | 161520 | 8973 | 8974 |
| c | 101042 | 5613 | 5614 |
| d | 10164 | 565 | 565 |
| e | 34443 | 1914 | 1914 |
| f | 85568 | 4754 | 4754 |
| g | 258935 | 14385 | 14386 |
| h | 257019 | 14279 | 14279 |
| y | 124397 | 6911 | 6911 |
数据集创建
策划理由
[更多信息需补充]
源数据
初始数据收集和规范化
[更多信息需补充]
源语言生产者
[更多信息需补充]
注释
注释过程
[更多信息需补充]
注释者
[更多信息需补充]
个人和敏感信息
[更多信息需补充]
使用数据的注意事项
数据集的社会影响
[更多信息需补充]
偏见的讨论
[更多信息需补充]
其他已知限制
[更多信息需补充]
附加信息
数据集策展人
[更多信息需补充]
许可信息
[更多信息需补充]
引用信息
bibtex @article{DBLP:journals/corr/abs-1906-03741, author = {Eva Sharma and Chen Li and Lu Wang}, title = {{BIGPATENT:} {A} Large-Scale Dataset for Abstractive and Coherent Summarization}, journal = {CoRR}, volume = {abs/1906.03741}, year = {2019}, url = {http://arxiv.org/abs/1906.03741}, eprinttype = {arXiv}, eprint = {1906.03741}, timestamp = {Wed, 26 Jun 2019 07:14:58 +0200}, biburl = {https://dblp.org/rec/journals/corr/abs-1906-03741.bib}, bibsource = {dblp computer science bibliography, https://dblp.org} }
贡献
感谢@mattbui添加此数据集。
