ParaSCI：扩展的大型科学复述数据集

简介：
ParaSCI是一个规模宏大的科学文献总结与转述数据集，专为促进复杂科研内容的理解和传播而设计。它包含了广泛的科学领域摘要及改写文本，旨在助力于自然语言处理模型的学习与提升，特别是在科学文献的自动化理解和生成方面的能力。 ParaSCI 这个版本的库包含了短语数据集 ParaSCI 的下载指南以及用于在论文中重现结果的相关代码。复述是指用不同的表达方式来重新表述同一个意思，在我们的日常语言交流及NLP（自然语言处理）的各种下游任务，如生成不同类型的文本或为聊天机器人增加内容时非常常见。我们提出了ParaSCI——科学领域内首个大规模的复述数据集，其中包括来自ACL 的33,981 对复述和来自arXiv 的316,063对。 通过分析科学研究论文的特点及常见的模式，我们利用文档内部和跨文档的方法构建了这个数据集。比如收集同一研究文章中的引用或汇总定义科学术语等方法来创建该数据集。为了使用部分释义的句子，我们将PDBERT用作一般的释义发现工具。ParaSCI 中复述的主要优点在于其突出的长度及文本多样性，这使得它成为现有复述数据集的一个重要补充。 在人类评估和下游任务（特别是长反义词生成）上，ParaSCI表现优异。