首页/论文/1801.08573

arXiv 1801.085732018-01-25cs.IRcs.AIcs.SI

Etymo：一种新的面向AI研究的发现引擎

Etymo: A New Discovery Engine for AI Research

The University of Manchester（曼彻斯特大学）

Weijian Zhang, Jonathan Deakin, Nicholas J. Higham, Shuaiqiang Wang

备注：: 7 pages, 2 figures

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

我们介绍Etymo（etymo.io），一个促进人工智能（AI）研究和开发的发现引擎。它旨在通过使用一种新颖的搜索形式来帮助读者浏览每周发表的大量人工智能相关论文，这种搜索形式可以找到相关论文并在图形界面中显示相关论文。Etymo构建并维护了一个自适应的基于相似性的研究论文网络，作为一个通用的知识图谱，用于排名，推荐和可视化。网络不断发展，可以从用户反馈中学习，以调整自己。

英文摘要：

We present Etymo (https://etymo.io), a discovery engine to facilitate artificial intelligence (AI) research and development. It aims to help readers navigate a large number of AI-related papers published every week by using a novel form of search that finds relevant papers and displays related papers in a graphical interface. Etymo constructs and maintains an adaptive similarity-based network of research papers as an all-purpose knowledge graph for ranking, recommendation, and visualisation. The network is constantly evolving and can learn from user feedback to adjust itself.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

云渲染农场服务发现：基于自然语言处理与本体知识图谱

Cloud Render Farm Services Discovery Using NLP And Ontology Based Knowledge Graph

BSA Crescent Institute of Science and Technology（BSA新月科学技术学院）；NEC Corporation of America（美国NEC公司）

针对云渲染农场服务发现难题，提出基于本体的RenderSelect引擎，利用概念、等价和数值相似性推理，实验证明其性能优于无本体及通用搜索方法。

2023-07-10cs.AIcs.DCcs.IR

ShadowMiner v1 —— 关于实现和测量问题与假设发现引擎的经验报告

ShadowMiner v1 - An Experience Report on Implementing and Measuring a Problem-and-Hypothesis Discovery Engine

Inforience Inc.（Inforience 公司）

ShadowMiner v1是一个九阶段流水线，从AI论文中自动发现研究问题并生成假设，通过知识图谱间隙引导LLM生成，并验证假设的新颖性、质量与事实准确性；本报告分享其实现与测量经验。

2026-10-06cs.AIcs.CL

COVID-19知识图谱：加速科技文献的信息检索和发现

COVID-19 Knowledge Graph: Accelerating Information Retrieval and Discovery for Scientific Literature

Amazon Web Services AI（亚马逊云科技人工智能）

冠状病毒病（COVID-19）已夺去全球逾35万人的生命，并感染逾600万人。几个搜索引擎已经浮出水面，为研究人员提供了额外的工具，以便从快速增长的COVID-19语料库中查找和检索信息。这些引擎缺乏必要的提取和可视化工具来检索和解释科学文献固有的复杂关系。此外，由于这些引擎主要依赖于语义信息，它们捕获跨文档的复杂全局关系的能力是有限的，这降低了用户基于相似性的文章推荐的质量。在这项工作中，我们提出了COVID-19知识图谱（CKG），这是一个用于提取和可视化COVID-19科学文章之间复杂关系的异构图。CKG将语义信息和文档拓扑信息结合起来，用于相似文档检索。CKG使用数据的潜在模式构建，然后使用可扩展的AWS技术从文章的非结构化文本中提取的生物医学实体信息进行丰富，以形成图中的关系。最后，我们提出了一个文档相似性引擎，利用低维图嵌入CKG与语义嵌入相似的文章检索。分析证明了CKG中关系的质量，并表明它可用于发现COVID-19科学文章中有意义的信息。CKG帮助为www.cord19.aws提供动力，并公开提供。

2020-07-24cs.AIcs.CLcs.IR

用于基因组尺度代谢网络模型中基因功能主动学习的布尔矩阵逻辑编程

Boolean matrix logic programming for active learning of gene functions in genome-scale metabolic network models

Department of Computing, Imperial College London（计算机系，帝国理工学院伦敦分校）

本文提出布尔矩阵逻辑编程方法BMLP及主动学习系统$BMLP_{active}$，通过可解释逻辑程序编码GEM并指导低成本实验，以更少样本学习基因相互作用、优化代谢模型。

2025-06-06cs.AIcs.LGq-bio.MN

Memantic：一个医学知识发现引擎

Memantic: A Medical Knowledge Discovery Engine

我们提出了一个系统，构建和维护一个最新的共生网络的基础上不断挖掘最新的生物医学文献的医学概念。用户可以通过简洁的在线界面直观地探索这个网络，快速发现医学实体之间重要而新颖的关系。这使用户能够快速获得他们感兴趣的医学主题的上下文理解，我们相信这构成了一个显着的用户体验的改善，在生物医学文献领域的当代搜索引擎运行。

2015-03-19cs.IR

SpEnD：使用搜索引擎的关联数据SPARQL端点发现

SpEnD: Linked Data SPARQL Endpoints Discovery Using Search Engines

在这项研究中，提出了一种新的元搜索方法，发现和监测网络上的链接数据源。我们实现了一个原型系统，名为SPARQL端点发现（SpEnD）的方法。SpEnD从一个“搜索关键字”发现过程开始，用于查找链接数据域（特别是SPARQL端点）的相关关键字。然后，利用这些搜索关键字通过流行的搜索引擎（Google、Bing、Yahoo、Yandex）查找链接的数据源。通过使用这种方法，已经发现了现有端点存储库中当前列出的大多数SPARQL端点，以及大量的新SPARQL端点。最后，我们开发了一个新的SPARQL端点爬虫（SpEC）的爬行和链接分析。

2016-08-15cs.IR

更多相关论文收起更多论文

用于发现科学挑战和方向的搜索引擎

A Search Engine for Discovery of Scientific Challenges and Directions

Tel Aviv University（特拉维夫大学）；Allen Institute for AI（艾伦人工智能研究所）；University of Washington（华盛顿大学）；Georgia Institute of Technology（佐治亚理工学院）；Microsoft（微软公司）；Swedish Medical Group（瑞典医疗集团）

跟踪科学挑战，进步和新兴方向是研究的基本组成部分。然而，研究人员面临着大量的论文，阻碍了重要知识的发现。在生物医学中，这直接影响人类的生活。为了解决这个问题，我们提出了一个新的任务，提取和搜索的科学挑战和方向，以促进快速知识发现。我们构建并发布了一个专家注释的文本语料库，该语料库从全长论文中采样，标记有新颖的语义类别，这些类别概括了许多类型的挑战和方向。我们专注于与COVID-19大流行相关的大量跨学科工作，从生物医学到人工智能和经济学等领域。我们应用一个基于数据训练的模型来识别整个语料库中的挑战和方向，并构建一个专用的搜索引擎。在19名研究人员和临床医生使用我们的系统进行的实验中，我们在帮助知识发现方面优于流行的科学搜索引擎。最后，我们展示了在我们的资源上训练的模型可以推广到更广泛的生物医学领域和AI论文，突出了其广泛的实用性。我们公开我们的数据、模型和搜索引擎。https://challenges.apps.allenai.org/

2022-01-19cs.CLcs.HCcs.IR

迈向面向天气和气候数据的科学发现引擎：一种用于基于嵌入探索的可视化分析工作台

Toward a Scientific Discovery Engine for Weather and Climate Data: A Visual Analytics Workbench for Embedding-Based Exploration

NSF National Center for Atmospheric Research（国家大气研究中心）

本文提出了一种开源可视化分析工作台，用于探索基于嵌入的天气和气候数据，通过链接嵌入实验与源数据、元数据、空间上下文和模型配置，使潜在空间结果可追溯到物理过程，支持科学发现流程。

2026-07-14cs.AIcs.CVcs.IR

基于嵌入的科技文献发现在文本编辑器中的应用

Embedding-based Scientific Literature Discovery in a Text Editor Application

研究论文中的每一个主张都需要发现、吸收和适当引用所有相关的先验知识。然而，尽管有强大的搜索引擎和复杂的文本编辑软件，发现相关的论文和整合的知识到手稿仍然是复杂的任务与高认知负荷。定义全面的搜索查询需要作者的强烈动机，无论他们熟悉的研究领域。此外，在文献发现、书目管理、阅读论文和撰写文本的独立应用程序之间切换，进一步加重了作者的负担，并中断了他们的创作过程。在这里，我们提出了一个Web应用程序，结合了文本编辑和文献发现在一个交互式的用户界面。该应用程序配备了一个搜索引擎，它将布尔关键字过滤与文本嵌入上的最近邻搜索相结合，提供了一种针对作者手稿及其兴趣的发现体验。我们的申请旨在向更愉快和轻松的学术写作迈出一步。该应用程序的演示（https：//SciEditorDemo2020.herokuapp.com/）和简短的视频教程（https：//youtu.be/pkdVU60IcRc）可在线获得。

2020-05-11cs.IR

基准雷达：面向AI基准与评估的活数据库和搜索引擎

Benchmark Radar: A Living Database and Search Engine for AI Benchmarks and Evaluation

Earth-Space-AI（地球空间人工智能）；Tacite AI；Hangzhou Dianzi University（杭州电子科技大学）；Carnegie Mellon University（卡内基梅隆大学）；The University of Auckland（奥克兰大学）；Tsinghua University（清华大学）；Shanghai Jiao Tong University（上海交通大学）

基准雷达是一个活数据库和搜索引擎，通过每日发现和目录检索，帮助研究人员查找和比较AI基准，并提供排行榜和帕累托前沿等分析工具。

2026-10-28cs.AIcs.IR

基于深度非负自编码器的主题扩散发现

Topic Diffusion Discovery Based on Deep Non-negative Autoencoder

National Sun Yat-sen University（国立中山大学）；National Chung Hsing University（国立中兴大学）

研究人员已经被各种研究团体发表的研究文章的爆炸所淹没。许多研究学术网站，搜索引擎和数字图书馆已经创建，以帮助研究人员确定潜在的研究主题，并跟上感兴趣的研究的最新进展。然而，如果不花大量时间阅读大量相关和不相关的文章，研究人员仍然很难跟踪研究主题的扩散和演变。在本文中，我们考虑了一种新的主题扩散发现技术。具体来说，我们建议使用具有信息发散测量的深度非负自动编码器，该测量监测主题扩散的进化距离，以了解研究主题如何随时间变化。实验结果表明，该方法能够识别研究主题的演变，以及发现在线时尚的主题扩散。

2020-10-08cs.IRcs.LGstat.ML

基于稀疏约束非负矩阵分解的主题扩散发现

Topic Diffusion Discovery based on Sparseness-constrained Non-negative Matrix Factorization

National Sun Yat-sen University（国立中山大学）

由于最近的文本数据爆炸，研究人员已经被不同研究社区产生的不断增加的文章数量所淹没。各种学术搜索网站，引文推荐引擎和研究数据库已经被创建，以简化文本搜索任务。然而，研究人员仍然很难在不对期刊、会议、会议和研讨会发表的大量文章进行深入审查的情况下确定潜在的研究主题。在本文中，我们考虑了一种新的主题扩散发现技术，它结合了稀疏约束的非负矩阵分解与广义詹森-香农发散，以帮助理解术语主题的演变和识别主题扩散。我们的实验结果表明，该方法可以从大型文章数据库中提取更多的突出主题，可视化感兴趣的术语和抽象主题之间的关系，并进一步帮助研究人员了解给定的术语/主题是否已被广泛探讨，或者是否有新的主题正在从文献中出现。

2018-07-12cs.IRcs.LGstat.ML