BASF-AI/PubChemSMILESCanonTitleBM

--- dataset_info: features: - name: title dtype: string - name: canonical_smiles dtype: string splits: - name: test num_bytes: 981489 num_examples: 15457 download_size: 550577 dataset_size: 981489 configs: - config_name: default data_files: - split: test path: data/test-* language: - en tags: - chemistry - pubchem - SMILES - chemteb pretty_name: PubChem Canonical SMILES and Titles Bitext Mining size_categories: - 1K<n<10K license: cc-by-nc-sa-4.0 --- # PubChem Canonical SMILES and Titles Bitext Mining This dataset contains two separate lists: one of canonical SMILES strings and the other of corresponding entity titles, both sourced from PubChem ([ChEBI](https://www.ebi.ac.uk/chebi/) source). The task is to identify matching pairs between the SMILES strings and the titles, where each SMILES string from the first list should be aligned with its corresponding entity title from the second list. The dataset is intended for bitext mining tasks, where the goal is to correctly retrieve the matching title for each chemical entity represented by its SMILES string, providing a valuable resource for chemical entity alignment and retrieval tasks.数据集信息： 特征： - 名称：标题（title） 数据类型：字符串（string） - 名称：标准SMILES（canonical SMILES） 数据类型：字符串（string） 划分： - 名称：测试集（test） 字节数：981489 样本数：15457 下载大小：550577 数据集总大小：981489 配置： - 配置名称：默认（default） 数据文件： - 划分：测试集（test） 路径：data/test-* 语言：英语（en） 标签：化学（chemistry）、PubChem、SMILES、chemteb 友好名称：PubChem标准SMILES与标题双文本挖掘数据集 样本规模分类：1K<n<10K 许可证：cc-by-nc-sa-4.0 # PubChem标准SMILES与标题双文本挖掘数据集 本数据集包含两组独立列表：一组为标准SMILES（canonical SMILES）字符串，另一组为对应的实体标题，二者均源自PubChem，数据来源为[ChEBI](https://www.ebi.ac.uk/chebi/)。 本数据集的任务为识别SMILES字符串与标题之间的匹配对，即需将第一组列表中的每条SMILES字符串与第二组列表中对应的实体标题进行对齐。 本数据集专为双文本挖掘（bitext mining）任务设计，其目标是为每条由SMILES字符串表征的化学实体精准检索到匹配的标题，可为化学实体对齐与检索任务提供极具价值的资源。