📷 CAMS: 一个大规模、多方面、基于属性的中文摘要数据集

💻 Github Repo
简体中文 | English

---

简介

CAMS (Chinese Attribute-based Multi-faceted Summarization) 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。

数据集	规模	平均文章长度	平均摘要长度	平均关键词数目
英文
NYT	655K	552.1	42.8	-
CNNDM	312K	791.7	55.2	-
Newsroom	1.0M	765.6	30.2	-
中文
LCSTS	2.4M	103.7	17.9	-
CLTS	185K	1363.7	58.1	-
CNewSum	396K	730.4	35.1	-
CSL	396K	206.0	19.0	5.1
CAMS	1.0M	1571.4	60.0 (S) 185.7 (M) 428.1 (L)	14.3

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：

{
    '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：

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：

属性标注

我们展示了四种额外标注信息的分布：

📂 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：

{
    "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",
    "meta_data": "原数据集元信息"
}

🛠️ 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 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。

   

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。

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：

@misc{zhang2025CAMS,
    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。