CiteSeer数据集

CiteSeer for Document Classification 数据集包含 3312 份科学出版物，分为六类之一。引文网络由 4732 个链接组成。数据集中的每个出版物都由一个 0/​​1 值的词向量描述，表示字典中相应词的缺失/存在。该词典由 3703 个独特的单词组成。

CiteSeer for Entity Resolution 数据集包含 1504 个机器学习文档，其中包含对 165 个作者实体的 2892 个作者引用。对于此数据集，唯一可用的属性信息是作者姓名。总是给出完整的姓氏，在某些情况下会给出作者的全名和中间名，而其他时候只给出首字母。

在整个语料库中包含3312篇论文，并分为以下六类:

Agents
AI
DB
IR
ML
HCI
论文之间互相引用，在该数据集中，每篇论文都至少引用了一篇其他论文，或者被其他论文引用，也就是样本点之间存在联系，没有任何一个样本点与其他样本点完全没联系。如果将样本点看做图中的点，则这是一个连通的图，不存在孤立点。这样形成的网络有4732条边。 在消除停词以及除去文档频率小于10的词汇，最终词汇表中有3703个词汇。每篇论文都由一个3703维的词向量表示，所以，每个样本点具有3703个特征。词向量的每个元素都对应一个词，且该元素只有0或1两个取值。取0表示该元素对应的词不在论文中，取1表示在论文中。