BASF-AI/PubChemSMILESCanonTitlePC

---
dataset_info:
features:
- name: title
dtype: string
- name: canonical_smiles
dtype: string
- name: labels
dtype: int64
splits:
- name: test
num_bytes: 140926
num_examples: 2048
download_size: 74190
dataset_size: 140926
configs:
- config_name: default
data_files:
- split: test
path: data/test-*
license: cc-by-nc-sa-4.0
task_categories:
- text-classification
language:
- en
tags:
- chemistry
- pubchem
- SMILES
- chemteb
size_categories:
- 1K<n<10K
pretty_name: PubChem Canonical SMILES and Titles Pair Classification
---
# PubChem Canonical SMILES and Titles Pair Classification
This dataset contains pairs of canonical SMILES strings and their corresponding entity titles, with labels indicating whether they refer to the same chemical entity. A label of 1 means the SMILES string and the title correspond to the same entity, while a label of 0 indicates they do not. The dataset is sourced from PubChem ([ChEBI](https://www.ebi.ac.uk/chebi/) source), and it provides valuable information for tasks involving chemical entity matching.

数据集信息：
特征：
- 字段名：标题（title），数据类型：字符串（string）
- 字段名：标准SMILES（canonical_smiles），数据类型：字符串（string）
- 字段名：标签（labels），数据类型：64位整数（int64）
划分集：
- 划分名称：测试集（test），字节数：140926，样本数：2048
下载大小：74190，总数据集大小：140926
配置：
- 配置名称：默认配置（default），数据文件：
- 划分：测试集（test），路径：data/test-*
许可证：cc-by-nc-sa-4.0
任务类别：
- 文本分类（text-classification）
语言：
- 英语（en）
标签：
- 化学（chemistry）
- PubChem
- 简化分子线性输入规范（SMILES）
- chemteb
样本规模类别：1000至10000条样本（1K<n<10K）
展示名称：PubChem标准SMILES与标题配对分类

# PubChem标准SMILES与标题配对分类
本数据集包含标准SMILES字符串与其对应实体标题的配对样本，通过标签指示二者是否指向同一化学实体。当标签取值为1时，表示该SMILES字符串与标题对应同一化学实体；标签取值为0时，则表示二者不对应。本数据集源自PubChem（[ChEBI](https://www.ebi.ac.uk/chebi/) 数据源），可为涉及化学实体匹配的各类任务提供极具价值的支撑信息。