Ontology-Guided Query Expansion for Biomedical Document Retrieval using Large Language Models
University of California Riverside(加州大学河滨分校);Friedrich Schiller University Jena(施莱尔大学耶拿分校)
本文提出本体感知查询扩展流程BMQExpander,融合UMLS医学知识与大型语言模型生成能力,在三个生物医学IR基准上显著提升检索性能,并在查询扰动下表现稳健且幻觉更少。
2025-08-15 cs.IR cs.LG
NeuroSym-BioCAT: Leveraging Neuro-Symbolic Methods for Biomedical Scholarly Document Categorization and Question Answering
TIB—Leibniz Information Centre for Science and Technology(莱布尼茨科学与技术信息中心(TIB));L3S Research Center, Leibniz University Hannover(汉诺威莱布尼茨大学L3S研究中心);Daffodil International University(水仙国际大学)
针对生物医学学术文档摘要信息检索难题,提出融合OVB-LDA主题模型与BI-POP CMA-ES的分类方法,搭配微调的蒸馏MiniLM模型做答案抽取,在多配置下优于现有方法,验证了小模型与摘要的应用价值。
2024-10-29 cs.AI cs.CL cs.DL
HyEm: Query-Adaptive Hyperbolic Retrieval for Biomedical Ontologies via Euclidean Vector Indexing
Waseda University(早稻田大学)
HyEm通过结合双曲本体嵌入与欧几里得ANN基础设施,解决生物医学本体中层次感知的检索问题,提升实体中心查询和混合意图查询性能,保持索引可扩展性。
2026-01-26 cs.DB cs.IR
Document Selection in a Distributed Search Engine Architecture
分布式搜索引擎体系结构(DSEA)托管许多独立的特定主题的搜索引擎,并选择数据库的子集在体系结构内进行搜索。这种方法的目的是通过仅查询可用总数据的子集来减少执行搜索所需的空间量。为了跨多个数据库操作数据,最有效的方法是识别一个较小的数据库子集,这些数据库最有可能返回特定感兴趣的数据,然后可以更详细地检查这些数据。选择索引最常用作选择最适用的数据库的方法,因为它捕获关于每个数据库及其索引文件的广泛信息。使用这种类型的数据库可以让研究人员更快地找到信息,不仅成本更低,而且还可以最大限度地减少偏见的可能性。本文研究了在分布式搜索引擎体系结构的框架和范围内选择的不同数据库的有效性。研究的目的是提高分布式信息检索的质量。
2016-03-31 cs.DB cs.IR
Quantifying the informativeness for biomedical literature summarization: An itemset mining method
目的:自动文本摘要工具可以帮助生物医学领域的用户有效地从大量的科学文献和其他文本文档源中获取信息。在本文中,我们提出了一个摘要方法,结合项目集挖掘和领域知识,构建一个基于概念的模型,并提取主要的子主题从输入文档。我们的摘要量化的信息,每个句子中出现的项目集的支持值。方法:为了解决文本的概念级分析,我们的方法首先使用UMLS将原始文档映射到生物医学概念。然后,利用一种数据采掘技术,即项集挖掘,发现文本的本质子主题,并构建摘要模型。所采用的项集挖掘算法提取一组频繁项集包含相关的和经常性的概念的输入文档。摘要器选择最相关和信息量最大的句子并生成最终摘要。结果如下:我们评估我们的基于项目集的摘要使用面向回忆的替代Gisting评价(ROUGE)指标的性能,进行一组实验。结果表明,基于项目集的摘要器性能优于比较方法。基于项集的摘要器实现了所有评估的ROUGE指标的最佳分数。结论:与统计、相似度和词频方法相比,该方法通过概念抽取和项集挖掘得到的摘要模型为摘要器提供了一种有效的度量句子信息量的方法。这可以导致生物医学文献摘要的性能的改进。
2017-05-26 cs.IR
BiCA: Effective Biomedical Dense Retrieval with Citation-Aware Hard Negatives
University of Copenhagen(哥本哈根大学)
BiCA通过利用引用链接生成引用感知硬负样本,提升生物医学领域密集检索性能,实现零样本检索和长尾主题的优越表现。
2025-12-21 cs.CL cs.IR
Generating Biomedical Question Answering Corpora from Q&A forums
问答(QA)是一种自然语言处理任务,旨在获得用户问题的相关答案。虽然在这一领域取得了一些进展,生物医学问题仍然是一个挑战,大多数QA方法,由于该领域的复杂性和有限的可用性的训练集。我们提出了一种方法来自动提取问答网络论坛,它可以用于文档检索,大多数问答系统的一个关键步骤的问题文章对。拟议框架从选定的论坛中摘录问题和含有引文的相应答案。这样,基于文档检索的QA系统可以使用这些论坛的用户注释的问题-文章对来开发和评估。我们通过将我们的框架应用于三个论坛来生成BiQA语料库,获得了7,453个问题和14,239个问题-文章对。我们评估了与每个问题相关的文章数量和每个答案的投票数量如何影响基线文档检索方法的性能。此外,我们证明了作为答案给出的文章与问题非常相似,并训练了一个最先进的深度学习模型,该模型获得了与使用专家手动注释的数据集相似的性能。拟议的框架可用于在发表新帖子时从同一论坛以及从通过文档支持其答案的其他论坛更新BiQA语料库。BiQA语料库和用于生成它的框架可在\url{https://github.com/lasigeBioTM/BiQA}上获得。
2020-12-22 cs.IR
LADER: Log-Augmented DEnse Retrieval for Biomedical Literature Search
National Institutes of Health(美国国立卫生研究院)
本文提出用于生物医学文献搜索的插件模块 LADER,通过聚合相似查询的点击日志增强稠密检索器,无需额外训练即在 TripClick 基准上取得 SOTA 性能。
2023-04-10 cs.CL cs.IR
Knowledge synthesis from 100 million biomedical documents augments the deep expression profiling of coronavirus receptors
COVID-19大流行需要吸收所有可用的生物医学知识,以解码其致病性和传播机制。尽管最近复兴的无监督神经网络解码非结构化的自然语言,一个平台的实时合成的指数增长的生物医学文献及其全面的三角与深刻的组学见解是不可用的。在这里,我们提出了nferX平台,用于从非结构化生物医学文本中提取的超过45个四分之一可能的概念关联进行动态推理,以及它们与基于单细胞RNA测序的来自超过25种组织的见解的三角测量。利用这个平台,我们确定了COVID-19的病理表现与SARS-CoV-2受体ACE 2的综合表达谱之间的交叉点。我们发现,舌角化细胞和嗅觉上皮细胞可能是SARS-CoV-2感染的未被充分认识的靶点,与报告的味觉和嗅觉丧失相关,这是COVID-19感染的早期指标,包括在其他无症状的患者中。肺中的气道俱乐部细胞、纤毛细胞和II型肺细胞以及肠道的肠细胞也表达ACE 2。这项研究展示了一个整体的数据科学平台如何利用前所未有的结构化和非结构化公开数据来加速产生有影响力的生物学见解和假设。
2020-03-28 cs.IR q-bio.BM q-bio.GN
Biomedical Question Answering via Multi-Level Summarization on a Local Knowledge Graph
University of Michigan(密歇根大学)
本文提出一种利用命题主张从检索文档构建局部知识图谱,并通过逐层摘要上下文化小型语言模型以执行生物医学问答的新方法,在多个基准上性能优于RAG基线。
2025-04-02 cs.AI cs.CL cs.IR
Automatic Classification of Text Databases through Query Probing
网络上的许多文本数据库都“隐藏”在搜索界面之后,它们的文档只能通过查询来访问。搜索引擎通常会忽略这种仅用于搜索的数据库的内容。最近,类似Yahoo的目录已经开始手动地将这些数据库组织成用户可以浏览以找到这些有价值的资源的类别。我们提出了一种新的策略来自动分类的搜索只文本数据库。我们的技术首先训练一个基于规则的文档分类器,然后使用分类器的规则来生成探测查询。查询被发送到文本数据库,然后根据它们为每个查询产生的匹配数量对文本数据库进行分类。我们报告了一些初步的探索性实验表明,我们的方法是有希望的,以自动特征的文本数据库在网络上访问的内容。
2000-03-09 cs.DB cs.IR
Benchmarking Top-K Keyword and Top-K Document Processing with T${}^2$K${}^2$ and T${}^2$K${}^2$D${}^2$
Top-k关键字和top-k文档抽取是非常流行的文本分析技术。Top-k关键字和文档通常是动态计算的,但它们利用了构建成本高昂的加权词汇表。为了比较相互竞争的加权方案和数据库实现,通常使用基准测试。据我们所知,目前没有基准可以解决这些问题。因此,在本文中,我们提出了T ${}^2$ K ${}^2$,top-k关键字和文档基准,及其面向决策支持的进化T ${}^2$ K ${}^2$ D ${}^2$。这两个基准测试都有一个真实的tweet数据集和具有各种复杂性和选择性的查询。它们有助于评估加权方案和数据库实现的计算性能。为了说明我们的基准测试的相关性和通用性,我们一方面成功地对TF-IDF和Okapi BM 25加权方案进行了性能测试,另一方面对不同的关系型(Oracle,PostgreSQL)和面向文档的(MongoDB)数据库实现进行了性能测试。
2018-04-20 cs.DB cs.IR
Document Layout Annotation: Database and Benchmark in the Domain of Public Affairs
Universidad Autónoma de Madrid(马德里自治大学);VINCES Consulting(VINCES咨询公司)
针对公共事务领域数字文档的自动处理,提出半自动标注程序构建DLA数据库(含37.9K文档、441K页面、8M标签),实验验证标注准确率达99%。
2023-08-08 cs.CV cs.DB cs.IR
Incremental Entity Resolution from Linked Documents
在许多政府应用程序中,我们经常发现有关实体(如人员)的信息存在于不同的数据源中,如护照、驾驶执照、银行账户和所得税记录。类似的场景在拥有多个客户、供应商或合作伙伴数据库的大型企业中很常见。每个数据源维护实体的不同方面,并且基于这些属性解析实体是一个经过充分研究的问题。然而,在许多情况下,一个来源中的文件引用其他来源中的文件;例如,申请人在申请护照时可提供其驾驶执照号码,反之亦然。这些链接定义同一实体的文档之间的关系(与实体间关系相反,后者也经常用于解析)。在本文中,我们描述了一种算法,聚类文件,很可能属于同一个实体,利用除了属性相似性的文件间的引用。我们的技术使用迭代图遍历,局部敏感哈希,迭代匹配合并和图聚类的组合,发现基于文档语料库的独特实体。我们的技术的一个独特的功能是,新的文档集可以增量添加,而必须重新解决以前解决的实体文档集合的一个小的子集。我们目前的性能和质量的两个数据集的结果:一个真实世界的数据库的公司和一个大的综合生成的“人口”数据库。我们还展示了使用文档间引用进行聚类的好处,其形式是增强文档的召回率。
2014-02-18 cs.DB cs.IR
Adaptive Retrieval Strategies for Biomedical Question Answering
insilicom(因赛力姆)
研究生物医学问答中不同问题类型的有效检索策略,提出自适应检索框架,依问题类型选检索和证据聚合策略,结合多种技术,经实验验证该策略能提升证据相关性和答案质量,为增强相关问答系统提供有效方向。
2026-07-20 cs.IR
A Fast Deep Learning Model for Textual Relevance in Biomedical Information Retrieval
Chan Zuckerberg Initiative(陈·扎克伯格倡议);National Center for Biotechnology Information(国家生物技术信息中心)
生命科学出版物的特点是大量的技术词汇,表达同一概念有许多词汇和语义变化。为了解决生物医学文献搜索中的相关性问题,我们引入了一个深度学习模型,用于文档文本与关键字样式查询的相关性。由于训练数据量相对较小,该模型使用预训练的词嵌入。有了这些,该模型首先计算查询和文档之间的可变长度Delta矩阵,表示两个文本之间的差异,然后通过深度卷积阶段,然后通过深度前馈网络计算相关性得分。这导致适合在在线搜索引擎中使用的快速模型。该模型是鲁棒的,并且优于可比的最先进的深度学习方法。
2018-02-26 cs.CL cs.IR
CSQL: Mapping Documents into Causal Databases
Adobe Research and University of Massachusetts(Adobe研究院和马萨诸塞大学)
CSQL通过将文档转换为因果数据库,支持对文档集合的因果分析,能够回答‘为什么’的问题,并实现大规模语料库级别的因果查询和纵向分析。
2026-01-13 cs.AI cs.DB cs.IR
Enhancing Document Retrieval for Curating N-ary Relations in Knowledge Bases
针对生物医学知识库构建中多实体关系事实提取依赖人工且文档检索效率低的问题,提出利用弱监督训练集及分层对比损失和平衡采样策略的神经检索模型,提升文档检索性能以辅助知识库构建。
2025-04-14 cs.IR
Efficient and Reproducible Biomedical Question Answering using Retrieval Augmented Generation
School of Engineering, Zurich University of Applied Sciences, Winterthur, Switzerland(工程学院,应用科学大学,温特图尔,瑞士)
本研究提出了一种高效的生物医学问答系统,通过检索增强生成方法,在PubMed语料库上优化检索深度与响应时间的平衡。
2026-01-13 cs.AI cs.DB cs.IR
Introducing Information Retrieval for Biomedical Informatics Students
University of Pittsburgh(匹兹堡大学)
向生物医学信息学(BMI)学生介绍自然语言处理(NLP)需要平衡技术深度与实用知识,以满足以应用为中心的需求。我们开发了一套三个活动,介绍BMI学生的信息检索与NLP,涵盖文档表示策略和语言模型从TF-IDF到BERT。这些活动为学生提供针对常见用例的实践经验,并为各种应用程序介绍NLP工作流程的基本组件。
2021-05-06 cs.CL cs.IR
Query-Focused Extractive Summarisation for Finding Ideal Answers to Biomedical and COVID-19 Questions
Macquarie University(麦考瑞大学)
本文介绍了麦考瑞大学对BioASQ协同任务和BioASQ 9 b B阶段的参与。在这些任务中,我们的参与集中在使用以查询为中心的提取摘要,以获得医学问题的理想答案。协同任务是一项关于COVID-19的端到端问答任务,系统需要返回相关文档、片段和给定问题的答案。由于缺乏训练数据,我们使用了一个以查询为中心的总结系统,该系统使用BioASQ 8b训练数据集进行训练,我们试验了检索文档和片段的方法。考虑到我们的系统检索到的文档和片段的质量很差,我们在返回的答案中观察到了相当好的质量。对于BioASQ 9 b任务的B阶段,相关文档和片段已包含在测试数据中。我们的系统将片段分割成候选句子,并在句子分类设置下使用BERT变体。该系统使用问题和候选句子作为输入,并经过训练以预测候选句子作为理想答案的一部分的可能性。运行获得了所有BioASQ 9 b批次的所有参与者的最佳或次佳ROUGE-F1结果。这表明,在分类设置中使用BERT是识别理想答案的非常强的基线。
2021-08-31 cs.CL cs.IR
Biomedical Question Answering via Weighted Neural Network Passage Retrieval
ETH Zurich(苏黎世联邦理工学院)
近年来,可公开获得的生物医学文献的数量一直在快速增长,然而问答系统仍在努力开发这种数据源的全部潜力。在初步处理步骤中,许多问答系统依赖于检索模型来识别相关文档和段落。提出了一种基于神经网络词嵌入的加权余弦距离检索方案。我们的实验基于BioASQ生物医学问答挑战赛的公开数据和任务,并在各种最先进的模型中表现出显着的性能提升。
2018-01-09 cs.AI cs.CL cs.IR
Recent Advances in Automated Question Answering In Biomedical Domain
IIT Delhi(印度理工学院德里分校);TCS Research(TCS研究院)
自动化问答(QA)系统的目标是以时间有效的方式为用户查询提供答案。答案通常可以在数据库(或知识库)或通常称为语料库的文档集合中找到。在过去的几十年里,知识的获取激增,因此生物医学领域的新科学文章呈指数增长。因此,即使是领域专家,也很难跟踪领域中的所有信息。随着商业搜索引擎的改进,用户可以键入他们的查询并获得与回答他们的查询最相关的一小组文档,以及在某些情况下来自文档的相关片段。然而,手动查找所需的信息或答案可能仍然是乏味和耗时的。这就需要开发高效的QA系统,其目的是为生物医学领域中用户提供的自然语言问题找到准确和精确的答案。在本文中,我们介绍了用于开发一般领域QA系统的基本方法,其次是生物医学QA系统的不同方面,包括基准数据集和几个建议的方法,使用结构化数据库和收集的文本进行了深入的调查。我们还探讨了当前系统的局限性,并探索进一步发展的潜在途径。
2021-11-10 cs.AI cs.CL cs.IR
Document Retrieval using Predication Similarity
文档检索是信息检索界多年来的一个重要研究课题。现有技术利用各种方法将文档匹配到给定文档,包括关键字、短语和注释。在本文中,我们提出了一种新的方法,利用预测(主谓宾三元组)从文件中提取的文件检索。我们将文档表示为一组预测。我们测量预测之间的相似性来计算文档之间的相似性。我们的方法利用本体中的层次信息计算概念概念相似度,使方法灵活。基于预测的文档相似度更精确,是语义感知文档检索系统的基础。我们表明,该方法是有竞争力的现有国家的最先进的相关文件检索技术在生物医学领域。
2016-04-19 cs.IR
A Novel Modified Apriori Approach for Web Document Clustering
基于数据采掘中的关联技术,传统的Apriori算法可用于Web文档的聚类。但该算法存在数据库扫描次数多、关联规则分析能力弱等缺陷。在大型数据库的现代世界中,传统的Apriori算法的效率将减少流形。本文提出了一种新的改进的apriori算法,通过减少重复的数据库扫描和改进传统的apriori算法的关联分析来对web文档进行聚类。进一步,我们分别应用模糊C均值(FCM),K均值和向量空间模型(VSM)技术来改进这些聚类。为了进行实验,我们使用康奈尔大学拥有超过10,000个文档的Classic 3和Classic 4数据集,并在其上运行传统的先验算法和我们改进的先验算法。实验结果表明,我们的方法在数据库扫描和分析关联性改进方面优于传统的先验算法。我们发现,FCM是优于K-Means和VSM的F-度量的不同大小的集群。
2015-03-29 cs.IR
Large scale biomedical texts classification: a kNN and an ESA-based approaches
University of Bordeaux(波尔多大学)
随着文本数据量的不断增加,用于识别重要主题以分类文本文档的自动化方法受到了越来越多的关注。虽然在这方面作出了许多努力,但这仍然是一个真正的挑战。此外,这个问题甚至更加复杂,因为全文并不总是免费提供。然后,仅使用部分信息来注释这些文档是有希望的,但仍然是一个非常雄心勃勃的问题。方法我们提出了两种分类方法:基于k-近邻(kNN)的方法和基于显式语义分析(ESA)的方法。虽然基于kNN的方法在文本分类中得到了广泛的应用,但在处理部分信息的特定分类问题时,需要对其进行改进。与现有的基于kNN的方法相比,我们的方法使用经典的机器学习(ML)算法对标签进行排名。为了提高分类器的性能,还研究了其他特征。此外,执行若干学习算法与用于固定相关主题的数目的各种技术的组合。另一方面,ESA似乎很有前途的分类任务,因为它产生了有趣的结果,在相关的问题,如文本和文本分类之间的语义相关度计算。与现有的作品,使用ESA丰富的词袋的方法与额外的知识为基础的功能,我们的基于ESA的方法建立一个独立的分类。此外,我们调查,如果这种方法的结果可能是有用的作为一个补充功能,我们的kNN为基础的approach.ResultsExperimental评估大型标准注释数据集上进行,提供的BioASQ组织者,表明,与当前国家的最先进的方法相比,与随机森林学习算法的kNN为基础的方法实现了良好的性能,达到一个有竞争力的F-措施的…
2016-06-09 cs.CL cs.IR
Quantifying Similarity: Text-Mining Approaches to Evaluate ChatGPT and Google Bard Content in Relation to BioMedical Literature
Faculty of Computer Science, AGH(AGH计算机科学学院);Sano Centre for Computational Medicine(Sano计算医学中心)
本研究通过文本挖掘和网络分析比较ChatGPT与Google Bard生成的临床内容与生物医学文献的相似度,发现ChatGPT在文档相似度、二元词组及网络中心性上均优于Google Bard,且能产生文献中不存在的新术语链接以启发新假设。
2024-02-11 cs.CL cs.DL cs.IR
Semi-Structured Query Grounding for Document-Oriented Databases with Deep Retrieval and Its Application to Receipt and POI Matching
NAVER Corp(NAVER公司)
面向文档数据库的半结构化查询系统有许多实际应用。我们感兴趣的一个特定应用是将每个金融收据图像与其对应的感兴趣地点(POI,例如,在全国范围内的数据库。该问题在实际生产环境中尤其具有挑战性,在实际生产环境中,数据库中存在许多相似或不完整的条目,并且查询是嘈杂的(例如,光学字符识别中的错误)。在这项工作中,我们的目标是解决实际的挑战时,使用基于嵌入的检索的查询接地问题,在半结构化数据。利用深度语言编码用于检索的最新进展,我们进行了广泛的实验,以找到最有效的模块组合,用于嵌入和检索查询和数据库条目,而无需任何手动设计的组件。所提出的模型显着优于传统的手动模式为基础的模型,同时需要更少的开发和维护成本。我们还讨论了我们实验中的一些核心观察结果,这可能对其他领域中处理类似问题的从业者有所帮助。
2022-02-23 cs.CL cs.IR cs.LG
Beyond Retrieval: Ensembling Cross-Encoders and GPT Rerankers with LLMs for Biomedical QA
Georgia Institute of Technology(佐治亚理工学院)
本文提出一种结合密集检索、交叉编码器与LLM重排序的RAG系统,用于生物医学问答,在BioASQ 2025任务13b中取得多项领先排名,如事实型问题MRR排名第一。
2025-07-08 cs.CL cs.IR cs.LG
ML-Net: multi-label classification of biomedical texts with deep neural networks
National Center for Biotechnology Information (NCBI), National Library of Medicine (NLM), National Institutes of Health (NIH)(美国国立卫生研究院国家医学图书馆国家生物技术信息中心);The University of Texas School of Biomedical Informatics(德克萨斯大学生物医学信息学学院)
在多标签文本分类中,每个文本文档可以被分配一个或多个标签。由于这种性质,多标签文本分类任务通常被认为比二进制或多类文本分类问题更具挑战性。作为在生物医学中具有广泛应用的重要任务,例如分配诊断代码,近年来已经提出了许多不同的计算方法(例如,为每个标签训练和组合二进制分类器)。然而,许多人遭受适度的准确性和效率,只有有限的成功,在实际应用中。我们提出了ML-Net,一种新的深度学习框架,用于生物医学文本的多标签分类。作为一个端到端系统,ML-Net将标签预测网络与自动标签计数预测机制相结合,通过利用每个标签的预测置信度得分和目标文档中的上下文信息来输出最佳标签集。我们评估ML-Net三个独立的,公开可用的语料库中的两种文本类型:生物医学文献和临床笔记。对于评估,使用基于示例的措施,如精度,召回率和f-测量。ML-Net与几个有竞争力的机器学习基线模型进行了比较。我们的基准测试结果表明,ML-Net在生物医学文本的多标签分类方面优于最先进的方法。ML-NET在生物医学中的不同文本类型上进行评估时也表现出鲁棒性。与传统的机器学习方法不同,ML-Net不需要人工进行特征工程,并且是针对具有大量标签的任务的高效且可扩展的方法(无需为每个单独的标签构建单独的分类器)。最后,ML-NET能够以更系统和准确的方式基于文档上下文动态估计标签计数。
2018-11-15 cs.CL cs.IR cs.LG
A Novel Term Weighing Scheme Towards Efficient Crawl of Textual Databases
隐藏的网络是信息数据库的巨大储存库,只能通过搜索表单界面获得,通过在搜索表单中键入一组关键字来访问。通常情况下,一个隐藏的网络爬虫是用来自主发现和下载网页从隐藏的网络。传统的隐藏网页抓取器无法为搜索引擎提供最佳的搜索体验,因为通过表单界面提出的搜索请求数量过多,无法穷尽地抓取和检索目标隐藏网页数据库的内容。在这里,在我们的工作中,我们提供了一个框架来研究最优搜索的问题,并提出了一个有效的查询项选择方法的基础上,在文档数据库中的术语的频率和分布,以减少它。本文着重于开发一个术语加权计划称为VarDF(可变文档频率的缩写),可以轻松地识别最佳的条款,以用作查询的接口上,最大限度地实现覆盖率的爬虫,这反过来又将有助于搜索引擎有一个多样化的和扩展的索引。我们实验评估我们的方法的有效性手动创建的数据库中的文件领域的信息检索。
2013-11-02 cs.IR
Space-time databases modeling global semantic networks
本文提出了一种基于时空数据库构造的全局分布式语义网络(框架知识表示系统)的新思想和新结构,来构造全局知识系统的方法。本文介绍的时空数据库环境的主要思想是将一个文档(一个信息框架,一个知识)绑定到一种特殊的实体上,我们称之为永久实体,即一个没有历史和进化的对象,用广义的信息时空中的一个“点”来描述(而不是一个在具有历史的真实空间中进化的对象)。对于文档(信息),它意味着文档内容是不可更改的,并且文档是绝对持久的。这种方法导致新的知识表示和检索技术。我们讨论了如何将这一概念应用于全球分布式科学图书馆和科学工作空间。开放IT项目http://sourceforge.net/projects/gil/详细阐述了工作的一些实际方面。
2005-03-29 cs.IR cs.IT math.IT
Demonstrating Narrative Pattern Discovery from Biomedical Literature
本文提出叙事模式挖掘功能,用于生物医学文献中探索上下文相关实体及其交互,并通过专家访谈验证了原型的实用性。
2025-08-18 cs.DL cs.IR
Aligning Biomedical Texts and Knowledge Graphs: A Systematic Comparison of Lightweight Alignment Strategies
University of Mannheim(曼海姆大学)
本研究提出统一框架系统比较生物医学文本与KG的轻量对齐策略,构建CTD-Align语料库,发现三元组组合和训练方向影响最大,线性投影效果最优,为二者桥接提供实用基础。
2026-08-25 cs.CL cs.IR
Improving Medical Reasoning through Retrieval and Self-Reflection with Retrieval-Augmented Large Language Models
Korea University(高丽大学);Kyung Hee University(庆熙大学);AIGEN Sciences(AIGEN科学公司)
本文提出 Self-BioRAG 框架,通过生物医学指令训练、领域检索与自定义反思 token,使 7B/13B LLM 能自我评估并结合检索知识推理,在三大医学问答基准上平均提升 7.2%。
2024-06-18 cs.AI cs.CL cs.IR
Learning to Rank Scientific Documents from the Crowd
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Massachusetts Medical School(马萨诸塞大学医学院)
在任何科学中,寻找相关的已发表文章都是一项重要的任务,但随着生物医学领域新工作的爆炸式增长,它变得特别具有挑战性。大多数现有的方法使用文本相似性度量来识别两篇文章是否相关。然而,生物医学知识发现是假设驱动的。最相关的文章可能不是具有最高文本相似性的文章。在这项研究中,我们首先开发了一种创新的众包方法来建立一个专家注释的文档排名语料库。使用这个语料库作为金标准,我们然后评估的方法,使用文本相似度排名的相关性的文章。最后,我们开发和评估了一个新的监督模型,自动排名相关的科学文章。我们的研究结果表明,作者的排名显着不同的排名基于文本相似性的模型。通过在注释语料库的一个子集上训练学习排名模型,我们发现最好的监督学习排名模型(SVM-Rank)显着超过了最先进的基线系统。
2016-11-04 cs.CL cs.DL cs.IR
Graph-Aware Late Chunking for Retrieval-Augmented Generation in Biomedical Literature
Methodological Implementation Research, Ottawa Hospital Research Institute(方法学实施研究,渥太华医院研究所在职);School of Engineering Design and Teaching Innovation, University of Ottawa(工程设计与教学创新学院,渥太华大学)
本文提出GraLC-RAG框架,结合图感知结构智能与后期分块技术,通过结构感知分块、UMLS知识图谱融合和图引导混合检索,提升生物医学文献多部分信息检索与生成质量。
2026-03-23 cs.AI cs.IR
Top K Relevant Passage Retrieval for Biomedical Question Answering
University of Kentucky(肯塔基大学)
本文针对生物医学问答中Wikipedia源不足的问题,在DPR框架上改用Pubmed文章进行微调,并在BioASQ数据集上取得0.81的F1分数。
2023-08-08 cs.AI cs.CL cs.IR
A tool set for the quick and efficient exploration of large document collections
我们提出了一套多语言文本分析工具,可以帮助任何领域的分析人员快速探索大型文档集,以确定文档是否包含感兴趣的信息,并找到相关的文本段落。这一自动工具目前是一个功能齐全的原型,预计在用户反复需要筛选大量文件(如从互联网自动下载的文件)时特别有用。建议的系统需要一个完整的文件集作为输入。它首先执行一些自动分析任务(命名实体识别、地理编码、聚类、术语提取),用生成的元信息注释文本,并将元信息存储在数据库中。该系统然后生成一个可放大和超链接的地理地图,其中增加了所发现的实体和术语的信息,当该系统定期使用时,它建立了一个历史数据库,其中包含关于哪些名称与其他名称或地点一起被提及的信息,用户可以查询这个数据库,以检索过去提取的信息。
2006-09-12 cs.CL cs.IR
Archaeology in the Digital Age: From Paper to Databases
CNRS(法国国家科学研究中心);Ecole normale supérieure(巴黎高等师范学院);Université Paris 3 Sorbonne Nouvelle(巴黎第三大学(新索邦大学));Ecole Pratique des Hautes Etudes(法国高等研究学院)
考古研究单位经常管理大量珍贵的档案,其中包含各种文件,包括实地考察报告,学术研究和参考书。这些档案记录了几十年的工作,当然是无价的,但通常很难查阅和访问。在这种情况下,仅仅将全文文件数字化是不够的:信息必须正规化、结构化,并通过友好的用户界面易于获取。
2015-07-08 cs.AI cs.CY cs.DL