SciDMT 是目前最大的科学实体提及检测语料库，它包含 48,000 篇科学文章、180 万个弱标注的提及标注以及 100 篇手动注释用于评估的科学文章。通过与 SciBERT 和 GPT-3.5 等先进深度学习架构的实验，我们演示了该语料库的实用性，确立了性能基线并突出了科学实体提及检测中未解决的挑战。SciDMT 为研究界提供了一个坚实的基准，鼓励开发创新模型，进一步推动科学信息提取领域的发展。

Jun, 2024

本文为了促进科学出版物摘要和知识发现的研究，提出了一个新的语料库，其中包含来自自然语言处理论文的 2000 个句子的任务、数据集和评估指标的领域专家标注。通过使用简单的数据增强策略，我们报告了 TDM 提取的实验结果，并将我们的标签器应用于 ACL 文集中约 30,000 篇 NLP 论文。

Jan, 2021

本文提出了扭曲文档图像数据集（DDI-100），该数据集是基于 7000 张真实唯一的文档页面的合成数据集，包含超过 100000 个增强图像，标注信息包括文本和邮戳掩模、文本和字符边界框等，验证结果表明该数据集在文档分析等多种领域有很好的实用价值。

Dec, 2019

本文介绍了 MMDialog 数据集、提出并规范了两个基于检索和生成场景的反应生成任务，还构建了两个基线，并提出了一种新的评估指标 MM-Relevance，用于衡量多模态反应。

Nov, 2022

介绍了 MedMentions 作为一种新的手动注释的生物医学概念识别资源，并描述了其 UMLS 2017 概念本体论中超过 3 百万个具体概念和 4000+ 个文摘和 350,000 多个链接提到的规模以及广泛覆盖生物医学学科领域的优点。同时，也提出了 MedMentions 子集，支持针对文档检索的实体识别任务。该数据集已包含训练、测试集，并且还提供了 Named Entity Recognition 的基线模型以及其指标，以鼓励相关领域的研究。

Feb, 2019

此文献中，研究人员通过利用维基百科当前事件门户网站，构建了一个新的多文档摘要数据集，以训练多种最新 MDS 技术的监督型模型，并呈现了定量分析的结果。

May, 2020

DISCO-10M 是一份新的 extensive music dataset，以超过以往已有的 music dataset 数量为目标，在 multi-stage filtering process 中实现了相似度比较，并提供预算的 CLAP embeddings，以便于直接用于各种 downstream tasks。

Jun, 2023

本文介绍了司机监控数据集 (Driver Monitoring Dataset) 和 dBehaviourMD 数据集，并使用其训练一个高效、实时、CPU 平台可运行的司机行为识别系统，该系统对于实时反应和精度都有着较好的表现。

Aug, 2020

本研究提出了一种包含 4480 份维基百科文件、118732 次事件提及实例和 168 种事件类型的 MAVEN 数据集，用于缓解数据不足和低覆盖率等问题，实证分析了通用领域事件检测中的进一步研究方向，并表明现有的事件检测方法不能像小规模数据集中表现出的那样在 MAVEN 上表现出色，说明其在现实世界中仍然是具有挑战性的任务，需要进一步的研究和努力。

Apr, 2020

该研究介绍了目前最大的多语言多模态摘要数据集 (M3LS)，该数据集由超过一百万个来自 BBC 的新闻文章组成，跨越 20 种语言，目标在于 5 个语言根上的多样性。研究者们利用该数据集定义了一项多语言多模态摘要任务，并在多语言环境下使用各种最先进的摘要技术报告了基准分数。

Feb, 2023