# 2025 ML Final - Topic 2:Title-Abstract Consistency — Data

来源：https://www.kaggle.com/competitions/cugb-ml-2025-nlp/data

采集时间：2026-10-19T15:31:49Z

# 数据集概述 (Overview)
本数据集基于 arXiv metadata 构建，涵盖了计算机科学的 6 个核心领域：
* `cs.LG` (Machine Learning)
* `cs.AI` (Artificial Intelligence)
* `cs.CV` (Computer Vision)
* `cs.CL` (Computation and Language)
* `cs.CR` (Cryptography and Security)
* `cs.DS` (Data Structures and Algorithms)

为了增加难度，我们在生成数据时使用了 **Hard Negative Mining** 技术。

# 文件说明 (Files)
* **train.csv** - 训练集。包含 `title`, `abstract` 和 `label`。
* **test.csv** - 测试集。包含 `title`, `abstract`，你需要预测 `label`。
* **sample_submission.csv** - 提交样例。

# 字段说明 (Columns)
* `id`: 样本唯一标识符。
* `title`: 论文标题。
* `abstract`: 论文摘要。
    * 在负样本中，这个摘要来自于另一篇**内容极其相似**的论文。
* `label`: (仅训练集)
    * `1`: **Real Pair** (标题和摘要属于同一篇论文)。
    * `0`: **Fake Pair** (摘要是从相似论文中嫁接过来的)。

# 提示 (Hint)
由于数据经过 KNN 筛选，肉眼观察可能很难区分真假。建议重点关注标题中的**具体方法、特定数据集或核心结论**是否在摘要中得到体现。