Unduhan acl anthology network - unduh kode sumber acl anthology network

acl anthology network

Kode sumber lainnya

Unduh

Turunan Jaringan Antologi ACL

aanrelease2013.tar.gz berantakan.

Pengkodean ada dimana-mana.
Beberapa data jelas hilang, atau ada tetapi rusak.
Tidak jelas file mana yang merupakan data mentah dan mana yang merupakan statistik yang berasal dari data tersebut.
File yang terlihat seperti keluaran skrip sebenarnya adalah pesan bantuan dari skrip tersebut.
Banyak file papers_text/ (teks biasa yang diekstraksi dari PDF) mengalami masalah:
- Beberapa di antaranya hanya omong kosong karena penyandian PDF yang tidak sesuai (misalnya, P00-1032 , W06-3709 )
- Lainnya adalah omong kosong pada tingkat yang berbeda-beda, karena OCR yang buruk di PDF asli (dari bermasalah, misalnya T75-2033 , hingga tidak dapat digunakan, misalnya J79-1013 )
- Lainnya tidak dalam bahasa Inggris (misalnya, C73-2029 )
- Lainnya berisi teks dari makalah yang sama sekali berbeda (misalnya, L08-1302 )

Makefile secara deklaratif menyediakan beberapa dokumentasi mengenai masalah dan pekerjaan pembersihan yang terlibat.

Repositori ini tidak berisi data asli apa pun, hanya deskripsi terprogram tentang cara memperbaikinya.

Untuk menjalankannya, panggil make di direktori root.

Statistik ringkasan

Antarmuka Jaringan Antologi ACL Grup CLAIR Universitas Michigan melaporkan statistik berikut:

Ukuran	Nilai
Jumlah makalah	21.212
Jumlah penulis	17.792
Jumlah tempat	342
Jumlah kutipan kertas	110.975
Jumlah kolaborasi penulis	142.450
Diameter jaringan kutipan	22
Diameter jaringan kolaborasi	15

Beberapa di antaranya tidak akurat, atau hanya menjelaskan salah satu sumber data. Sumber yang berbeda dalam kumpulan data berisi subkumpulan data yang berbeda; misalnya, kutipan dilaporkan untuk beberapa makalah yang tidak memiliki file papers_text/ yang sesuai (misalnya, L08-1098 ).

`aan/release/2013/acl.txt`

Ukuran	Nilai
mengutip → hubungan yang dikutip	110.930
makalah kutipan yang unik	16.554
rata-rata dikutip per mengutip	6.7011
makalah yang dikutip unik	12.840
rata-rata mengutip per dikutip	8.6394
makalah unik	18.160
makalah unik yang mengutip dan dikutip	11.234

10 makalah yang paling banyak dikutip	# makalah yang mengutip	penulis	judul
J93-2004	928	Mitchell dkk.	Membangun Kumpulan Bahasa Inggris Beranotasi Besar: Linguistik Komputasi Penn Treebank
P02-1040	891	Papineni dkk.	Bleu: Metode Evaluasi Otomatis Terjemahan Mesin
J93-2003	729	Coklat dkk.	Matematika Terjemahan Mesin Statistik: Estimasi Parameter
P03-1021	667	Oh & Josef	Pelatihan Tingkat Kesalahan Minimum Dalam Terjemahan Mesin Statistik
J03-1002	656	Oh & Josef	Perbandingan Sistematis Berbagai Model Penyelarasan Statistik
P07-2045	591	Koehn dkk.	Moses: Perangkat Sumber Terbuka untuk Terjemahan Mesin Statistik
N03-1017	556	Koehn dkk.	Terjemahan Berbasis Frasa Statistik
P03-1054	394	Klein & Manning	Parsing Tidak Dileksikalisasi yang Akurat
J96-1002	376	Berger dkk.	Pendekatan Entropi Maksimum Untuk Pemrosesan Bahasa Alami
A00-2018	371	Charniak	Parser yang Terinspirasi Entropi Maksimum

10 makalah yang paling banyak dikutip	# makalah yang dikutip
Hlm.10-1142	88
J10-3003	80
W13-4917	71
W13-2201	65
J12-1006	62
J98-1001	59
J13-2003	59
J07-4004	57
J11-2002	52
H11-1108	52

`aan/release/2013/acl-metadata.txt`

Sejujurnya, format file ini membingungkan. Struktur umumnya mirip dengan BibTeX, tetapi tidak ada parser BibTeX yang dapat menanganinya. Lebih buruk lagi, campuran pengkodeannya gila! Jika ftfy mencari studi kasus dunia nyata yang hebat, inilah jawabannya.

Ada 20.989 makalah.
Ada 1 author hilang, W10-4238 , dan 16.308 urutan author unik ( author mencantumkan semua penulis untuk makalah itu).
Ada sekitar 16.786 nama penulis unik (perkiraan karena ketidakkonsistenan dalam pengkodean karakter dan representasi metadata dari nama tersebut).
Ada 12 venue yang hilang, dan 494 nilai venue unik.
Bidang tahun berkisar antara 1965 hingga 2013, dengan 41 nilai unik (ada beberapa kesenjangan sebelum tahun 1978).
Ada 18.152 makalah (semuanya kecuali 8) di jaringan kutipan yang memiliki entri dalam file metadata ini
Dari 110.930 total tepi dalam jaringan kutipan, 110.889 memiliki entri dalam file metadata ini.

`aan/papers_text/???-????.txt`

Ada banyak file lain di direktori ini; beberapa makalah disegmentasi menjadi bagian isi dan referensi; ada beberapa file yang sepertinya dimaksudkan untuk dimasukkan ke dalam aan/release/2013/ ; dan banyak file yang cocok dengan pola ini kosong.

Ada 20.194 file yang cocok dengan pola ini dan tidak kosong.
Ada 17.593 makalah di jaringan kutipan yang memiliki file terkait di papers_text/ .
Dari 110.930 total tepi dalam jaringan kutipan, 107.873 memiliki file terkait di papers_text/ .

Kredit

Terlepas dari kekurangan ini, ACL Anthology Network adalah sumber daya yang bagus; terima kasih banyak kepada banyak kontributor.

Dragomir R. Radev, Pradeep Muthukrishnan, Vahed Qazvinian, Amjad Abu-Jbara. 2013. Korpus Jaringan Antologi ACL. Sumber Daya dan Evaluasi Bahasa 47 (4), hlm.919–944. 10.1007/s10579-012-9211-2.