中科院自动化所“自动化学科创新方法”课题组的数据专区

专区简介：数据取自课题成果自动化学科数字化知识服务网络平台:autoinnovation.ia.ac.cn，如您论文或项目使用该专区数据，请说明数据来自“自动化学科创新思想与科学方法研究”课题，编号2009IM020300，并注明数据堂下载地址。课题组微博：autoinnovation
主要提供：文本分类的开源程序、大规模中英文新闻分类语料、中文DBLP资源及其他自然语言处理和信息提取方面的科研数据
研究领域：信息科学 - 计算机科学 - 自然语言处理
发布数据：9 条

专区数据下载排行

以IG卡方等特征词选择方法生成的多维度ARFF格式英文VSM模型

数据标价：5积分 数据大小：74.80M 发布者：autoinnovation 发布时间：2012-01-11 下载次数：25 评分：

该数据是应用项目组开发的文本分类程序对路透社英文语料处理后生成的ARFF文件，主要数据文件为dict.dat（词典文件）；contingency.dat（词汇类别共现频率词典）。chi，ig，mi，DF分别表示采用同名特征词选择算法生成的VSM模型，chifit为本项目组依据卡方思路，从另一个思考方式推导出的一种特征词选择算法，经验证，此种方法的效果与传统方法相比，不分伯仲。在每个文件夹下面，分别为特征维度选取50，100，150，200，250，300，350，400，450，500，600，700，800，900，1000，1500，2000，3000，5000，8000生成的VSM模型。

数据来源：“自动化学科创新思想与科学方法研究”课题，编号：2009IM020300

以IG卡方等特征词选择方法生成的多维度ARFF格式中文VSM模型

数据标价：5积分 数据大小：672.53M 发布者：autoinnovation 发布时间：2012-01-11 下载次数：52 评分：

该数据是应用项目组开发的文本分类程序对中文新闻语料处理后生成的ARFF文件，主要数据文件说明-dict.dat（词典文件）；contingency.dat（词汇类别共现频率词典）。chi，ig，mi，DF分别表示采用同名特征词选择算法生成的VSM模型，chifit为本项目组依据卡方思路，从另一个思考方式推导出的一种特征词选择算法，经验证，此种方法的效果与传统方法相比，不分伯仲。在每个文件夹下面，分别为特征维度选取50，100，150，200，250，300，350，400，450，500，600，700，800，900，1000，1500，2000，3000，5000，8000生成的VSM模型。

数据来源：“自动化学科创新思想与科学方法研究”课题，编号：2009IM020300

面向文本分类研究的中英文新闻分类语料

数据标价：5积分 数据大小：380.97M 发布者：autoinnovation 发布时间：2012-01-11 下载次数：113 评分：

本语料包含两部分资源：（一）中文新闻语料库，为项目组采用自行设计的“基于通用模板的新闻类网页正文抽取算法”从凤凰、新浪、网易、腾讯等版面搜集，搜集时间在2009年12月—2010年3月。中文新闻语料共分为8类：Reading、Entertainment、History、Education、Society & Law、Culture、It、Military；（二）英文新闻语料库，为Reuters-21578的ModApte版本，共有90个类别，训练集7769个文档，测试集3019个文档；数据库名称：FinallyCorpus.mdf，FinallyCorpus.ldf；数据格式：文本（MSSQL MDF格式数据库）

数据来源：“自动化学科创新思想与科学方法研究”课题，编号：2009IM020300

文本分类程序（含开源代码）

数据标价：5积分 数据大小：24.03M 发布者：autoinnovation 发布时间：2012-01-10 下载次数：195 评分：

此程序完整地实现了中文文本分类机制，数据格式为C++Code，主要数据结构参见common.h

数据来源：“自动化学科创新思想与科学方法研究”课题，编号：2009IM020300

面向汉语姓名构词研究的10万中文人名语料库

数据标价：5积分 数据大小：293.85K 发布者：autoinnovation 发布时间：2012-01-10 下载次数：58 评分：

数据文件名称：authornames.txt；数据规模：9,9994个人名；数据产生方式：从自动化学科知识服务平台后台数据的Scholar表单中抽取的全部名字，并作去重处理；数据格式：文本

数据来源：“自动化学科创新思想与科学方法研究”课题，编号：2009IM020300

面向计算机学科内学术共同体相关研究的中文DBLP资源

数据标价：5积分 数据大小：27.18M 发布者：autoinnovation 发布时间：2012-01-10 下载次数：23 评分：

该中文DBLP资源是国内第一份公开共享的优质DBLP资源，原始数据来源于网络资源整合，我们采用了自然语言处理相关技术对数据进行了深入细致的加工处理，数据信息如下：数据库名称：PersonSeed；数据规模：Paper(45355),Scholar(28460),Institution(2362),ScholarPaper(138294).其中Scholar表单中的ScholarDescription字段的0—7，分别表示为以白硕(0)，戴汝为(1)，李生(2)，吴佑寿(3)，张钹(4)，艾海舟(5)，李晓明(6)，赵军(7) 老师为种子拓展出的学术社区成员。；数据产生方式：以白硕（计算所），戴汝为、赵军（自动化所），吴佑寿、张钹、艾海舟（清华大学），李生（哈工大），李晓明（北大）等八位老师作为根节点（初始种子），固定扩展种子数为2000，采用广度优先遍历算法从自..

数据来源：“自动化学科创新思想与科学方法研究”课题，编号：2009IM020300

万篇随机抽取论文中文DBLP资源

数据标价：5积分 数据大小：7.53M 发布者：autoinnovation 发布时间：2012-01-10 下载次数：8 评分：

该中文DBLP资源是国内第一份公开共享的优质DBLP资源，原始数据来源于网络资源整合，我们采用了自然语言处理相关技术对数据进行了深入细致的加工处理，本数据信息如下：数据库名称：RandomTenThousand；数据规模：Paper(10，000),Scholar(20071),Institution(1633),ScholarPaper(30576)；数据产生方式：从1-100,000个paperId中随机抽取10,000个，属于从自动化学科知识服务平台后台数据中抽取的部分子资源。数据格式：MSSQL MDF格式数据库

数据来源：“自动化学科创新思想与科学方法研究”课题，编号：2009IM020300

面向人物同名消歧研究的的中文DBLP资源

数据标价：5积分 数据大小：2.62M 发布者：autoinnovation 发布时间：2012-01-09 下载次数：14 评分：

该中文DBLP资源是国内第一份公开共享的优质DBLP资源，原始数据来源于网络资源整合，我们采用了自然语言处理相关技术对数据进行了深入细致的加工处理，本数据信息如下：数据库名称：PersonNameDisambiguation，108commonpersonnames.txt；数据规模：Paper(2671),Scholar(8438),Institution(1134),ScholarPaper(8981)；数据产生方式：根据名字发文量对应关系，并将名字按照发文量逆序排列，从中选取108个常见名字，从自动化学科知识服务平台后台数据中抽取的部分子资源；数据格式：MSSQL MDF格式数据库

数据来源：“自动化学科创新思想与科学方法研究”课题，编号：2009IM020300

以自然语言处理领域中文期刊论文为主导的中文DBLP资源

数据标价：5积分 数据大小：5.23M 发布者：autoinnovation 发布时间：2012-01-09 下载次数：10 评分：

该中文DBLP资源是国内第一份公开共享的优质DBLP资源，原始数据来源于网络资源整合，我们采用了自然语言处理相关技术对数据进行了深入细致的加工处理，本数据信息如下：数据库名称：NLP；数据规模：Paper(4630),Scholar(9085),Institution(976),ScholarPaper(13527)；数据产生方式：借助自动化学科知识服务平台的知识族谱，以“自然语言处理”，“人工智能”、“数据挖掘”、“信息检索”等专业术语为查询结点，进行有限步拓展，从自动化学科知识服务平台后台数据中抽取的部分子资源。

数据来源：“自动化学科创新思想与科学方法研究”课题，编号：2009IM020300