PubMed-OCR 数据集

数据集简介

这是一个基于 PubMed 文献数据库构建的 OCR（光学字符识别）文本数据集。它旨在提供从科学文献中提取的、经过处理的文本内容。

主要用途

• 为自然语言处理（NLP）研究提供大规模的生物医学文本语料。
• 支持信息检索、文本挖掘、知识图谱构建等下游任务。
• 可用于训练或评估生物医学领域的语言模型。

数据类型/模态

• 模态：纯文本。
• 格式：Parquet 文件格式，便于高效存储和处理。

规模与统计

• 数据量：包含超过 154 万行 数据条目。
• 受欢迎度：已被下载 3660 次，获得 68 个点赞。

使用场景

• 学术研究：生物医学领域的文本分析、实体识别、关系抽取等。
• 模型开发：作为预训练或微调生物医学大语言模型的语料库。
• 数据挖掘：从海量文献中发现新的科学见解或趋势。