Update README.md

README.md

@@ -1,3 +1,283 @@
----
-license: cc-by-sa-4.0
----
+---
+license: cc-by-sa-4.0
+task_categories:
+- summarization
+language:
+- zh
+tags:
+- chemistry
+- biology
+- finance
+- legal
+- music
+- art
+- code
+- climate
+- medical
+- synthetic
+pretty_name: CAMS
+size_categories:
+- 1M<n<10M
+---
+
+<h1 align="center">
+  📷 CAMS: 一个大规模、多方面、基于属性的中文摘要数据集
+</h1>
+
+<p align="center">
+  <a href="https://github.com/Mxoder/Maxs-Awesome-Datasets" target="_blank">💻 Github Repo</a> <br>
+  简体中文 | <a href="https://huggingface.co/datasets/Mxode/CAMS/blob/main/README-en.md" target="_blank">English</a> <br>
+</p>
+
+---
+
+## 简介
+
+CAMS (**C**hinese **A**ttribute-based **M**ulti-faceted **S**ummarization) 是一个为推进长文本摘要研究而设计的大规模中文摘要数据集。随着大型语言模型（LLMs）的快速发展，高质量、大规模的训练数据变得至关重要，特别是在非英语语种中。CAMS 旨在填补中文长文本摘要领域的空白。
+
+数据集包含 **100万篇** 高质量的中文长文章，每篇文章都配有三个不同粒度的摘要和一组丰富的属性标签。
+
+### 主要特点
+
+- **专注长文本**: 数据集中的文章平均长度超过 1500 个字符，为长文本摘要模型提供了富有挑战性的训练和评估平台。
+- **多层次摘要**: 每篇文章都提供三个层级结构的摘要：
+    - **长摘要 (Long Summary)**: 详细、全面地覆盖原文的关键信息。
+    - **中摘要 (Medium Summary)**: 简洁地概括文章的核心要点。
+    - **短摘要 (Short Summary)**: 一句话总结文章的中心思想。
+- **丰富的属性标注**: 每篇文章都经过了多维度属性标注，包括：
+    - **关键词 (Keywords)**
+    - **陈述类型 (Statement Type)**: 事实陈述 vs. 观点表达
+    - **情感倾向 (Sentiment)**: 正面、较为正面、中性、较为负面、负面
+    - **正式度 (Formality)**: 正式文体 vs. 口语化文体
+    - **时态 (Tense)**: 过去、现在、将来
+
+我们希望 CAMS 数据集能够推动可控摘要、属性感知生成和长文本理解等领域的研究与创新。
+
+
+
+
+
+## 📊 数据统计
+
+### 基本信息
+
+为了更好地展示 CAMS 的基本信息，我们将其与其他主流的中英文摘要数据集进行了比较。
+
+<table>
+  <thead>
+    <tr>
+      <th style="text-align: left;"><strong>数据集</strong></th>
+      <th style="text-align: left;"><strong>规模</strong></th>
+      <th style="text-align: left;"><strong>平均文章长度</strong></th>
+      <th style="text-align: left;"><strong>平均摘要长度</strong></th>
+      <th style="text-align: left;"><strong>平均关键词数目</strong></th>
+    </tr>
+  </thead>
+  <tbody>
+    <tr>
+      <td colspan="5" style="text-align: center;"><strong>英文</strong></td>
+    </tr>
+    <tr>
+      <td style="text-align: left;">NYT</td>
+      <td style="text-align: left;">655K</td>
+      <td style="text-align: left;">552.1</td>
+      <td style="text-align: left;">42.8</td>
+      <td style="text-align: left;">-</td>
+    </tr>
+    <tr>
+      <td style="text-align: left;">CNNDM</td>
+      <td style="text-align: left;">312K</td>
+      <td style="text-align: left;">791.7</td>
+      <td style="text-align: left;">55.2</td>
+      <td style="text-align: left;">-</td>
+    </tr>
+    <tr>
+      <td style="text-align: left;">Newsroom</td>
+      <td style="text-align: left;">1.0M</td>
+      <td style="text-align: left;">765.6</td>
+      <td style="text-align: left;">30.2</td>
+      <td style="text-align: left;">-</td>
+    </tr>
+    <tr>
+      <td colspan="5" style="text-align: center;"><strong>中文</strong></td>
+    </tr>
+    <tr>
+      <td style="text-align: left;">LCSTS</td>
+      <td style="text-align: left;">2.4M</td>
+      <td style="text-align: left;">103.7</td>
+      <td style="text-align: left;">17.9</td>
+      <td style="text-align: left;">-</td>
+    </tr>
+    <tr>
+      <td style="text-align: left;">CLTS</td>
+      <td style="text-align: left;">185K</td>
+      <td style="text-align: left;">1363.7</td>
+      <td style="text-align: left;">58.1</td>
+      <td style="text-align: left;">-</td>
+    </tr>
+    <tr>
+      <td style="text-align: left;">CNewSum</td>
+      <td style="text-align: left;">396K</td>
+      <td style="text-align: left;">730.4</td>
+      <td style="text-align: left;">35.1</td>
+      <td style="text-align: left;">-</td>
+    </tr>
+    <tr>
+      <td style="text-align: left;">CSL</td>
+      <td style="text-align: left;">396K</td>
+      <td style="text-align: left;">206.0</td>
+      <td style="text-align: left;">19.0</td>
+      <td style="text-align: left;">5.1</td>
+    </tr>
+    <tr>
+      <td style="text-align: left;"><strong>CAMS</strong></td>
+      <td style="text-align: left;"><strong>1.0M</strong></td>
+      <td style="text-align: left;"><strong>1571.4</strong></td>
+      <td style="text-align: left;"><strong>60.0 (S)</strong> <br><strong>185.7 (M)</strong> <br><strong>428.1 (L)</strong></td>
+      <td style="text-align: left;"><strong>14.3</strong></td>
+    </tr>
+  </tbody>
+</table>
+
+### 主题分布
+
+CAMS 总共有 30 类不同的主题，如下所示，其中 key 为数据集内字段，value 为主题内容：
+
+```json
+{
+    'other_manufacturing': 'Other Manufacturing',
+    'automobile': 'Automobile',
+    'biomedicine': 'Biomedicine',
+    'computer_communication': 'Computer Communication',
+    'subject_education_education': 'Education',
+    'finance_economics': 'Finance & Economics',
+    'transportation': 'Transportation',
+    'literature_emotion': 'Literature & Emotion',
+    'water_resources_ocean': 'Water Resources',
+    'aerospace': 'Aerospace',
+    'technology_scientific_research': 'Scientific Research',
+    'electric_power_energy': 'Energy & Power',
+    'mining': 'Mining',
+    'petrochemical': 'Petrochemical',
+    'law_judiciary': 'Law & Judiciary',
+    'accommodation_catering_hotel': 'Hospitality',
+    'film_entertainment': 'Film & Entertainment',
+    'agriculture_forestry_animal_husbandry_fishery': 'Agriculture & Fishery',
+    'current_affairs_government_administration': 'Government & Public Affairs',
+    'news_media': 'News & Media',
+    'artificial_intelligence_machine_learning': 'AI & Machine Learning',
+    'computer_programming_code': 'Software Development',
+    'sports': 'Sports',
+    'fire_safety_food_safety': 'Food & Fire Safety',
+    'mathematics_statistics': 'Math & Statistics',
+    'medicine_health_psychology_traditional_chinese_medicine': 'Medicine & Health',
+    'game': 'Gaming',
+    'other_information_services_information_security': 'Information Security',
+    'real_estate_construction': 'Real Estate & Construction',
+    'tourism_geography': 'Tourism & Geography'
+}
+```
+
+具体样本主题分布如下：
+
+![Topic Distribution](static/topic_distribution.jpg)
+
+我们也同样抽取了一部分样本，获取文本嵌入后利用 UMAP 降维可视化了主题分布：
+
+![Topic Visualization](static/topic_visualization.jpg)
+
+### 属性标注
+
+我们展示了四种额外标注信息的分布：
+
+![Attributes](static/attributes.jpg)
+
+
+
+
+
+## 📂 数据格式
+
+数据集中的每个样本都以 JSON 格式存储，包含以下字段：
+
+```json
+{
+    "id": "每条数据的唯一标识",
+    "text": "文章的原始内容",
+    "topic": "文章的主题",
+    "short_summary": "一句话短摘要",
+    "medium_summary": "中等长度的摘要",
+    "long_summary": "详细的长摘要",
+    "keywords": ["关键词1", "关键词2", "关键词3", "..."],
+    "statement_type": "是否为事实陈述",
+    "sentiment": "文章写作情感/作者立场情感",
+    "formality": "文章写作风格正式度",
+    "tense": "文章写作时态",
+}
+```
+
+
+
+
+
+## 🛠️ 数据集构建
+
+CAMS 的构建过程主要分为三个阶段：
+
+1. **数据源与预处理**: 我们从一个大规模、高质量的行业语料库 [IndustryCorpus2](https://huggingface.co/datasets/BAAI/IndustryCorpus2) 中筛选出约 1000 万篇文章作为初始候选集，并经过严格的质量过滤、启发式规则过滤和主题平衡性重采样，最终得到 100 万篇高质量、主题多样的文章。
+
+2. **多层次摘要生成**: 我们提出了一种 **逐步生成（Stepwise Generation）** 流程。该流程首先从原文生成详细的长摘要，然后将原文和长摘要作为上下文来生成中摘要，最后再结合原文、长摘要和中摘要来生成最精炼的短摘要。这种方法确保了不同层次摘要之间的一致性和连贯性。
+
+    <img src="static/pipeline.jpg" alt="Stepwise Generation Pipeline" style="zoom:50%;" />
+
+3. **多方面属性标注**: 我们对每篇文章进行关键词提取和多个语言学、文体学维度的属性标注，并通过多轮生成和投票机制确保标注的准确性。
+
+
+
+
+
+## 🚀 使用示例
+
+您可以使用 🤗 `datasets` 库轻松加载 CAMS 数据集。
+
+```python
+from datasets import load_dataset
+
+# 加载 CAMS 数据集
+dataset = load_dataset("Mxode/CAMS")
+
+# 查看数据集结构
+print(dataset)
+
+# 读取第一个样本
+sample = dataset["train"][0]
+print("文章:", sample["text"][:200])
+print("短摘要:", sample["short_summary"])
+print("关键词:", sample["keywords"])
+```
+
+
+
+
+
+## 📜 引用
+
+如果您在研究中使用了 CAMS 数据集，请引用我们的工作：
+
+```bibtex
+@misc{BiST,
+    title={CAMS: A Large-Scale Chinese Attribute-based Multi-faceted Summarization Dataset},
+    url={https://huggingface.co/datasets/Mxode/CAMS},
+    author={Xiantao Zhang},
+    month={August},
+    year={2025}
+}
+```
+
+
+
+
+
+## 📄 许可
+
+本数据集采用 **CC BY-SA 4.0** 许可。