《表1 学术文本数据集信息[7]》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于关键词的学术文本聚类集成研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文在数据集的选择上制定了以下要求：（1）准确的学术文本类别划分，以保证实验结果的准确性；（2）需包含多个测试数据子集，以提升实验结果可靠性；（3）各类别数据量较平均，以减轻数据集的类别不均衡问题。Rossi等[7]数据集满足以上要求。该数据集包含40个领域的3506篇论文，采集自ACM计算机学科分类体系（CCS2012）。该分类体系由120位ACM学科领域志愿者构建，将计算机学科划分为5个垂直层次的研究领域。由于该体系为人工构建，对学术文本划分的精确度较高，可作为聚类结果的判断标准。同时，该数据集包含8个测试数据子集（表1中的ACM-1～ACM-8），每个子集包含5个领域的论文数据。为提升实验结果的可靠性，文本类别划分实验分别在这8个子数据集上展开。另外，该数据集中各领域的论文数量较平均，减轻了数据集类别不均衡问题。在关键词的选择上，由于ACM数据库和学术文本作者赋予的关键词数量较少，易造成数据稀疏等问题。因此，本文选择使用关键词自动抽取方法，从文本中抽取关键词代表文本主旨内容。该数据集的详细信息如表1所示。