S2ORC: El Corpus de Investigación Abierta de Semantic Scholar

Presentamos S2ORC, 1 un gran corpus de 81.1M de documentos académicos en inglés que abarca muchas disciplinas académicas. El corpus consiste en metadatos ricos, resúmenes de los documentos, referencias bibliográficas resueltas, así como texto completo estructurado para 8.1M de documentos de acceso abierto. El texto completo está anotado con menciones en línea de citas, figuras y tablas detectadas automáticamente, cada una vinculada a sus objetos de documento correspondientes. En S2ORC, agregamos documentos de cientos de editores académicos y archivos digitales en una fuente unificada, y creamos la colección más grande de texto académico legible por máquina disponible públicamente hasta la fecha. Esperamos que este recurso facilite la investigación y el desarrollo de herramientas y tareas para la minería de texto sobre texto académico.