书籍类电子或文本数据-学术著作 (scholar)
文本文档预训练特征提取摘要文本生成医疗/健康科学/学术Text更新时间 2026·07·08
数据集简介
主要数据内容包括： 全球学术论文、期刊与会议论文数据 学位论文、专著、预印本与技术报告资源 引用关系、作者信息与学术引用数据 涵盖 AI、医学、物理、人文等多学科内容 支持 PDF、HTML 等多种学术文档索引 聚合大学、出版社与科研机构开放资源 支持的能力方向包括： 学术论文检索与知识发现 文献引用分析与关系挖掘 LLM 学术语料训练 长文本理解与摘要生成 科研知识图谱构建 学术搜索与推荐系统训练 适用于： 科研论文调研 大模型预训练语料构建 RAG 学术知识库建设 学术搜索引擎研发 文献综述与引用分析 多学科知识数据采集
数据质量
记录时效性
按需更新
记录结构化
NDJSON、JSON、CSV、XLSX、Parquet，支持定制化
记录云交付
Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive
记录标准化
为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。
记录代表性
数据覆盖全量业务场景，样本均衡，具备行业代表性
文本文档预训练特征提取摘要文本生成医疗/健康科学/学术Text
