TabLeX: A Benchmark Dataset for Structure and Content Information Extraction from Scientific Tables
Indian Institute of Technology, Gandhinagar（印度理工学院甘地讷格尔分校）
由于复杂的表格表示和复杂的嵌入文本，从科学文章中的表格中提取信息抽取（IE）具有挑战性。本文介绍了TabLeX，一个大规模的基准数据集，包括从科学文章中生成的表格图像。TabLeX包含两个子集，一个用于表结构提取，另一个用于表内容提取。每个表格图像都附有相应的LATEX源代码。为了促进强大的表格IE工具的开发，TabLeX包含不同宽高比和各种字体的图像。我们的分析揭示了当前最先进的表格提取模型的缺点，并表明它们即使在简单的表格图像上也会失败。最后，我们尝试使用基于transformer的现有基线来报告性能分数。与静态基准相比，我们计划定期使用更复杂和多样化的表来增强这个数据集。
2021-05-12 cs.IR cs.LG
Data Augmentation Techniques for Process Extraction from Scientific Publications
Fujitsu Limited（富士通公司）
针对科学出版物中的流程抽取任务，提出一种基于流程信息、角色标签相似性和句子相似性的数据增强技术，将任务转化为序列标注任务，显著提升化学领域模型F值达12.3个百分点，还可减少过拟合。
2024-05-23 cs.CL cs.IR
Automated, LLM enabled extraction of synthesis details for reticular materials from scientific literature
本文提出知识提取流水线（KEP），利用开源大语言模型结合上下文学习，无需微调即可从文献中自动提取网状材料合成方案，减少人工标注。
2024-11-05 cond-mat.mtrl-sci cs.IR
Unsupervised Extraction of Representative Concepts from Scientific Literature
本文研究了从科技论文标题中自动分类和提取科学概念的方法，以更深入地了解其关键贡献，促进通用学术知识库的构建。为了实现这一目标，我们提出了一种无监督的、独立于领域的、可扩展的两阶段算法，用于将关键概念提及类型和提取到感兴趣的方面（例如，技术、应用等）。在我们的算法的第一阶段，我们提出了PhraseType，一个概率生成模型，利用文本特征和有限的POS标签，广泛分割文本片段到方面类型的短语。我们扩展了这个模型，同时学习方面的特定功能，并确定多领域语料库中的学术领域，因为这两个任务相互增强对方。在第二阶段中，我们提出了一种基于适配器语法的方法，以纯粹的数据驱动的方式从方面类型的短语中提取细粒度的概念提及，而不需要任何外部资源或人力。我们应用我们的技术来研究来自不同科学领域的文献，并显示出比最先进的概念提取技术有显着的进步。我们还提出了一个定性分析所获得的结果。
2017-11-09 cs.IR
Multimodal Approach for Metadata Extraction from German Scientific Publications
University of Koblenz-Landau（科布伦茨-兰道大学）
如今，元数据信息通常由作者在提交时自行给出。然而，现有的研究论文中有很大一部分缺少或不完整的元数据信息。德国科学论文的布局多种多样，这使得元数据的提取成为一项重要的任务，需要一种精确的方法来对从文档中提取的元数据进行分类。在本文中，我们提出了一种多模态深度学习方法，用于从德语科学论文中提取元数据。我们通过结合自然语言处理和图像视觉处理来考虑多种类型的输入数据。与其他最先进的方法相比，该模型旨在提高元数据提取的整体准确性。它能够利用空间和上下文特征，以实现更可靠的提取。这种方法的模型是在由大约8800个文档组成的数据集上训练的，并且能够获得0.923的整体F1分数。
2021-11-10 cs.CV cs.IR cs.LG
High-Precision Extraction of Emerging Concepts from Scientific Literature
Allen Institute for AI（艾伦人工智能研究所）；Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
识别科学文献中的新概念可以帮助进行分面搜索、科学趋势分析、知识库构建等，但目前缺乏这种方法。人工识别无法跟上新出版物的洪流，而现有的自动技术的精度对于许多应用来说太低。我们提出了一个无监督的概念提取方法，科学文献，达到更高的精度比以前的工作。我们的方法依赖于一个简单但新颖的直觉：每一个科学概念都可能被一篇论文引入或推广，而这篇论文会被随后提到这个概念的论文不成比例地引用。从arXiv上的计算机科学论文语料库中，我们发现我们的方法实现了99%的精度@1000，而之前的工作为86%，并且在前15，000个提取中具有更好的精度-产量权衡。为了促进这一领域的研究，我们发布了我们的代码和数据（https：//github.com/allenai/ForeCite）。
2020-06-11 cs.CL cs.IR
Towards a Semantic Search Engine for Scientific Articles
由于科学出版物中的数据泛滥，研究人员和读者越来越难找到相关信息。通过考虑语义关系来构建增强的科学搜索引擎是一个巨大的挑战。作为一个出发点，从科学文章中提取的关键词之间的语义关系，以分类的文章。这可能有助于以后以有意义的科学方式浏览和搜索内容的过程。事实上，通过连接关键词，可以提取文章的上下文。本文旨在提供思路，建立这样一个智能搜索引擎，并描述了实现这样一个雄心勃勃的目标的初步贡献。
2017-09-28 cs.IR
SciNLP: A Domain-Specific Benchmark for Full-Text Scientific Entity and Relation Extraction in NLP
Nanjing University of Science and Technology（南京理工大学）；Soochow University（苏州大学）
SciNLP是一个专门用于自然语言处理领域全文科学实体和关系提取的基准数据集，包含60篇人工标注的全文NLP论文，涵盖6,409个实体和1,648个关系，通过对比实验验证了其在不同长度学术文本上的提取能力，实现了细粒度知识图谱的自动构建。
2026-09-16 cs.CL cs.DL cs.IR
Tables to LaTeX: structure and content extraction from scientific tables
Indian Institute of Technology Gandhinagar（甘地纳格尔印度理工学院）
科学文档包含以简洁的方式列出重要信息的表格。从PDF研究文档中嵌入的表格中提取结构和内容是一项非常具有挑战性的任务，因为存在诸如跨越单元格的视觉特征和诸如数学符号和方程的内容特征。现有的大多数表格结构识别方法往往忽略了这些学术写作特征。在本文中，我们适应基于transformer的语言建模范式的科学表结构和内容提取。具体来说，该模型将表格图像转换为相应的LaTeX源代码。总的来说，我们的表现优于当前最先进的基线，并在表结构和内容提取上分别实现了70.35%和49.69%的精确匹配精度。进一步的分析表明，所提出的模型有效地识别行数和列数，字母数字字符，LaTeX令牌和符号。
2022-10-31 cs.AI cs.CV cs.IR
Extracting Core Claims from Scientific Articles
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
近年来，科学文章的数量迅速增长，而且没有迹象表明这种增长在不久的将来会放缓。正因为如此，跟上科学领域的最新发展变得越来越困难。为了解决这个问题，我们在这里提出了一种方法，以帮助研究人员了解最新的发展和发现，提取在一个规范化的形式核心索赔的科学文章。这种规范化的表示是一种受控的自然语言的英语句子，称为AIDA，它已被提出在以前的工作作为一种方法，正式结构和组织科学发现和话语。我们将展示如何通过检测文章的核心声明，检查AIDA合规性，并在必要时将其转换为合规的句子来自动提取AIDA句子。虽然我们的算法还远远不够完美，但我们的结果表明，不同的步骤是可行的，他们支持这样的说法，即AIDA句子可能是一种有前途的方法，以改善未来的科学交流。
2017-07-24 cs.CL cs.DL cs.IR
Variable Extraction for Model Recovery in Scientific Literature
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；University of Arizona（亚利桑那大学）
本文针对科学文献中数学模型变量抽取问题，构建了人工标注基准数据集，并比较了基于大语言模型和基于规则的方法，证明LLM方案性能最优，为自动模型恢复与仿真提供了有效途径。
2024-11-21 cs.IR cs.LG
OCR++: A Robust Framework For Information Extraction from Scholarly Articles
本文提出了OCR++，一个开源的框架，设计用于各种信息抽取任务，从学术文章，包括元数据（标题，作者姓名，隶属关系和电子邮件），结构（节标题和正文，表格和图标题，URL和脚注）和书目（引用实例和参考文献）。我们分析了一组不同的科学文章写在英语语言，以了解通用的写作模式，并制定规则，发展这种混合框架。广泛的评估表明，所提出的框架优于现有的国家的最先进的工具，在结构信息抽取的巨大利润，随着元数据和书目提取任务的性能提高，无论是在准确性（约50%的改善）和处理时间（约52%的改善）。在30名研究人员的帮助下进行的一项用户体验研究显示，研究人员发现这个系统非常有帮助。作为一个额外的目标，我们讨论了两个新的用例，包括自动提取链接到公共数据集的会议记录，这将进一步加快数字图书馆的进步。框架的结果可以作为一个整体导出到结构化的TEI编码文档中。我们的框架可以在http://cnergres.iitkgp.ac.in/OCR++/home/上在线访问。
2016-09-23 cs.DL cs.IR
Information Extraction from Scientific Literature for Method Recommendation
随着研究社区的发展，每年发表的论文越来越多。因此，人们越来越需要改进的方法来查找相关论文，自动理解关键思想并为目标问题推荐潜在的方法。尽管在搜索引擎的进步，它仍然很难确定新技术根据研究人员的需要。由于领域的多样性和极其有限的注释资源，在科学推荐中利用自然语言处理的工作相对较少。在这个提议中，我们的目标是通过从大量的科学论文中提取科学术语并将这些术语组织成知识图谱来进行科学推荐。在初步工作中，我们使用少量注释数据训练了一个科学术语提取器，并通过应用多种半监督方法利用大量未注释的论文获得了最先进的性能。我们建议构建一个知识图谱的方式，可以最大限度地利用手工标注的数据，只使用提取的术语，无监督的关系信号，如同现，和结构化的外部资源，如维基百科。科学术语之间的潜在关系可以从图中了解到。建议将通过观察到的和未观察到的关系对的图形推理。
2018-12-14 cs.IR
Rule Based Metadata Extraction Framework from Academic Articles
科技论文的题名、摘要、关键词或索引词、正文、结论、参考文献等元数据在科技数据库、学术期刊和数字图书馆中对学术数据的收集、管理和存储起着决定性的作用。从科学论文中准确地提取这些类型的数据对于研究人员和图书馆员组织和检索重要的科学信息至关重要。研究社会网络系统和学术数字图书馆系统提供学术数据提取、组织和检索服务。大多数这些类型的服务都不是免费或开源的。它们还存在一些性能问题，并且在可以上传到提取系统的PDF（便携式文档格式）文件数量方面存在提取限制。本文提出了一个完全免费和开源的基于Java的高性能元数据抽取框架。该框架的提取速度比现有的元数据提取系统快9-10倍。它也是灵活的，因为它允许上传无限数量的PDF文件。在该方法中，论文标题提取的布局特征，字体和大小的文本特征。其他元数据字段，如摘要、正文、关键字、结论和参考文献，使用固定的规则集从PDF文件中提取。提取的元数据存储在Oracle数据库和XML（可扩展置标语言）文件中。该框架可用于数字图书馆、在线期刊、在线和离线科学数据库、政府研究机构和研究中心的科学收藏。
2018-07-24 cs.DB cs.IR
Scientific Article Summarization Using Citation-Context and Article's Discourse Structure
Georgetown University（乔治城大学）
本文提出了一种基于引文语境和文献语篇模型的科技论文摘要方法。虽然引文以前曾用于生成科学摘要，但它们缺乏引用文章的相关背景，因此不能准确反映文章的内容。我们的方法克服了引文摘要和文章的内容之间的不一致的问题，通过为每个引用提供上下文。我们还利用固有的科学文章的话语来制作更好的摘要。我们表明，我们提出的方法有效地提高了现有的总结方法（超过30%的最佳性能基线的改善）方面的\textsc{Rouge}评分TAC 2014科学总结数据集。虽然我们用于评估的数据集是在生物医学领域，但我们的大多数方法都是通用的，因此适用于其他领域。
2017-04-21 cs.CL cs.IR
Pattern-based Acquisition of Scientific Entities from Scholarly Article Titles
TIB Leibniz Information Centre for Science and Technology（莱布尼茨科学技术信息中心）；L3S Research Center at Leibniz University of Hannover（汉诺威莱布尼茨大学L3S研究中心）
我们描述了一个基于规则的方法，从计算语言学（CL）的学术文章标题中自动获取突出的科学实体。这种做法的动机有两点：（一）在标题中注意到一条贡献的突出方面;（二）采用模式识别法，捕捉可以在一套规则中表达的突出术语。只有那些词汇句法模式被选中，很容易识别，经常发生，并定位指示一个科学实体类型。这些规则是在涵盖ACL选集中所有文章的50，237个CL标题的集合上制定的。总共提取了19，799个研究问题，18，111个解决方案，20，033个资源，1，059种语言，6，878个工具和21，687个方法，平均精度为75%。
2021-09-17 cs.CL cs.DL cs.IR
Mining and Analyzing the Future Works in Scientific Articles
Peking University（北京大学）
科学文章中的未来作品对研究人员来说是有价值的，它们可以引导研究人员进入新的研究方向或想法。在本文中，我们挖掘未来的工作在科学文章中，以1）提供一个洞察未来的工作分析和2）方便研究人员搜索和浏览未来的工作在一个研究领域。首先，我们研究了未来的工作提取的问题，并提出了一种基于正则表达式的方法来解决这个问题。其次，我们定义了四个不同类别的未来的作品，通过观察数据和研究多类未来的工作分类问题。第三，将本文提出的抽取方法和分类模型应用于计算机科学领域的论文数据集，并对未来的工作进行了进一步的分析。最后，我们设计了一个原型系统，用于搜索和展示从科技论文中挖掘出的未来工作。实验结果表明，该方法具有较高的查准率和查全率，分类模型也能取得较好的效果，优于几种基线模型。对将来工作句的进一步分析也表明了有趣的结果。
2015-07-08 cs.CL cs.DL cs.IR
MatSKRAFT: A framework for large-scale materials knowledge extraction from scientific tables
Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（印度德里理工学院亚迪人工智能学院）；Department of Civil Engineering, Indian Institute of Technology Delhi（印度德里理工学院土木工程系）；Department of Computer Science and Engineering, Indian Institute of Technology Delhi（印度德里理工学院计算机科学与工程系）
介绍MatSKRAFT框架，能从表格数据中自动提取整合材料科学知识。核心方法是转化表格为基于图的表示，用约束驱动GNN处理。贡献是性能超当代前沿模型，构建含大量条目的综合数据库，揭示新关系。
2026-07-07 cond-mat.mtrl-sci cs.IR
Context-Aware Scientific Knowledge Extraction on Linked Open Data using Large Language Models
Department of Computer Science, University of Idaho（计算机科学系，爱达荷大学）
针对科学文献知识提取中传统搜索与通用大模型回答浅显、不完整的问题，提出WISE系统，采用基于大模型的树状架构进行上下文感知的知识提取、精炼与排序，在HBB基因疾病实验中减少80%以上处理文本并显著提升召回率，且输出更具独特性和深度。
2025-06-21 cs.AI cs.DL cs.ET
Attention based Sentence Extraction from Scientific Articles using Pseudo-Labeled data
DA-IICT
在这项工作中，我们提出了一个弱监督的句子提取技术，以确定重要的句子在科学论文中，是值得列入摘要。我们提出了一种新的基于注意力的深度学习架构，该架构联合学习以识别重要内容，以及指示值得总结的句子的提示短语。我们提出了一种新的上下文嵌入技术，用于使用主题模型确定给定论文的焦点，并将其与基于LSTM的序列编码器联合使用，以学习句子单词的注意力权重。我们使用ACL anthology公开提供的文章集合进行实验。我们的系统实现了更好的性能，在几个ROUGE指标方面，相比几个国家的最先进的提取技术。它还生成了更连贯的摘要，并保留了文件的整体结构。
2018-02-13 cs.AI cs.CL cs.IR
AutoIE: An Automated Framework for Information Extraction from Scientific Literature
University of Auckland（奥克兰大学）；Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）
针对科学文献信息提取效率低的问题，提出整合四大组件的AutoIE自动化框架，在多个数据集及石化分子筛合成场景中取得优异效果，助力该领域数据管理与研究。
2024-01-30 cs.AI cs.CE cs.IR
SciDef: Datasets and Tools for Automated Definition Extraction from Scientific Literature with LLMs
National Institute of Informatics (NII)（国立信息研究所）；University of Würzburg（乌尔姆大学）；University of Passau（帕萨乌大学）；University of Würzburg (JMU)（乌尔姆大学）
提出SciDef资源套件，包含人工验证的定义基准DefExtra、相似度判断DefSim及基于LLM的提取流程，通过16个语言模型评估，发现NLI匹配指标与人类判断高度一致，但相关性过滤仍是自动提取的关键瓶颈。
2026-06-15 cs.CL cs.IR
HyperPIE: Hyperparameter Information Extraction from Scientific Publications
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Fraunhofer Institute for Systems and Innovation Research（弗劳恩霍夫系统与创新研究所）；The University of Tokyo（东京大学）
本文提出HyperPIE任务，构建标注数据集，并基于BERT微调模型和多种大语言模型（含YAML输出方法）实现超参数实体识别与关系抽取，取得显著性能提升并分析跨学科模式。
2024-01-10 cs.CL cs.IR
Automated Extraction of Pharmacokinetic Parameters from Structured XML Scientific Articles: Enhancing Data Accessibility at Scale
Kansas State University（堪萨斯州立大学）；University of California-Davis（加州大学戴维斯分校）
本文提出通过自动化机器学习模型提取科学文章中结构化XML中的药代动力学参数，以解决大规模数据中数据收集的挑战。
2026-04-22 cs.IR
Pipelines for Procedural Information Extraction from Scientific Literature: Towards Recipes using Machine Learning and Data Science
Kansas State University（堪萨斯州立大学）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
本文描述了一种机器学习和数据科学管道，用于从文档中进行结构化信息抽取，作为一套开源工具和现有工具的扩展来实现。它的中心是一种方法，用于从已发表的科学文献中提取配方形式的程序信息，逐步创建人工制品（在这种情况下合成纳米材料）。从我们的总体目标，生产配方的自由文本，我们得到的技术目标的系统组成的管道阶段：文档采集和过滤，有效载荷提取，配方步骤提取作为一个关系提取任务，配方组装，并通过一个信息检索接口与问答（QA）功能演示。该系统满足计算信息和知识管理（CIKM）的元数据驱动的有效载荷提取，命名实体提取，并从文本中提取关系的要求。本文中描述的功能贡献包括用于PDF过滤和有效负载提取任务的半监督机器学习方法，然后是结构化提取和数据转换任务，首先是部分提取，配方步骤作为信息元组，最后是组装配方。提取质量的可测量的客观标准包括配方步骤的精确度和召回率、排序约束以及QA准确度、精确度和召回率。结果，关键的新贡献，并从这项工作中产生的重要的开放性问题围绕这些整体质量指标的属性，以特定的机器学习和推理阶段的管道，每个与他们的性能指标。所需的配方包含确定的前提条件，材料输入和操作，并构成我们的计算信息和知识管理（CIKM）系统产生的总体输出。
2019-12-16 cs.CL cs.IR cs.LG
SciLens: Evaluating the Quality of Scientific News Articles Using Social Media and Scientific Literature Indicators
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Universitat Pompeu Fabra (UPF)（庞培法布拉大学）
本文描述，开发和验证SciLens，一种评估科学新闻文章质量的方法。我们工作的起点是结构化的方法，定义了一系列人工评估新闻的质量方面。在此基础上，我们提出了一系列衡量新闻质量的指标。根据我们的实验，这些指标可以帮助非专家更准确地评估科学新闻文章的质量，相比之下，非专家无法访问这些指标。此外，SciLens还可以用于为一篇文章生成完全自动化的质量评分，这比非专家进行的手动评估更符合专家评估。SciLens的主要元素之一是关注文章的内容和上下文，其中上下文由（1）文章对科学文献的显式和隐式引用以及（2）引用文章的社交媒体反应提供。我们表明，这两个上下文元素可以确定文章质量的信息来源。SciLens的验证，通过专家和非专家的注释相结合，证明了其有效性的半自动和自动质量评估的科学新闻。
2019-04-23 cs.CL cs.IR cs.SI
Enhancing Keyphrase Extraction from Academic Articles with their Reference Information
Nanjing University of Science and Technology（南京理工大学）
随着互联网技术的发展，信息过载现象越来越明显。用户需要花费大量的时间来获取他们需要的信息。然而，高度概括文档信息的关键词有助于用户快速获取和理解文档。对于学术资源，大多数现有的研究通过论文的标题和摘要提取关键词。我们发现参考文献中的标题信息也包含作者指定的关键词。因此，本文利用参考信息，应用两种典型的无监督提取方法（TF*IDF和TextRank）、两种具有代表性的传统监督学习算法（朴素贝叶斯和条件随机场）和一种有监督的深度学习模型（BiLSTM-CRF），分析参考信息在关键词提取中的具体表现。期望从扩展源文本的角度提高关键词识别的质量。实验结果表明，参考信息在一定程度上提高了关键词自动抽取的准确率、召回率和F1。这表明了学术论文关键词抽取参考信息的有用性，为后续的关键词自动抽取研究提供了一种新的思路。
2021-11-30 cs.CL cs.DL cs.IR
Text to Insight: Accelerating Organic Materials Knowledge Extraction via Deep Learning
Drexel University（德雷塞尔大学）；Northeastern University（东北大学）；Kebotix, Inc.（Kebotix公司）
科学文献是知识共享的重要资源之一。研究人员将科学文献作为设计实验的第一步。鉴于文献的广泛和不断增长的数量，阅读和手动提取知识的常见方法过于耗时，在研究周期中造成瓶颈。这一挑战几乎涉及所有科学领域。对于材料科学来说，分布在数百万出版物中的实验数据对于预测材料性能和设计新材料非常有帮助。然而，直到最近，研究人员才探索了主要用于无机材料的知识提取的计算方法。本研究旨在探讨有机材料的知识提取。我们建立了一个研究数据集，由来自92，667篇摘要的855个注释和708，376个未注释句子组成。我们使用命名实体识别（NER）和BiLSTM-CNN-CRF深度学习模型来自动提取文献中的关键知识。早期阶段的结果显示了自动知识提取的巨大潜力。本文介绍了我们的研究结果和监督的知识提取，可以适应其他科学领域的框架。
2021-09-27 cs.CL cs.IR
PolyIE: A Dataset of Information Extraction from Polymer Material Scientific Literature
College of Computing（计算学院）
针对聚合物材料缺乏科学信息抽取数据集的问题，构建了PolyIE数据集，包含146篇论文的实体与N元关系标注，并评估了现有模型，为相关研究提供基准。
2023-11-13 cs.AI cs.CL cs.IR
Toward Reliable Ad-hoc Scientific Information Extraction: A Case Study on Two Materials Datasets
University of New Hampshire（新罕布什尔大学）；University of California, Santa Barbara（加州大学圣芭芭拉分校）
该研究探究GPT-4从科学文献中执行基于临时模式的信息抽取能力，通过基础提示方法复现两个材料科学数据集，经人工错误分析明确模型难点并提出研究方向以提升该任务性能。
2025-05-25 cond-mat.mtrl-sci cs.AI cs.CL
Sequence-Based Extractive Summarisation for Scientific Articles
Elsevier Ltd（爱思唯尔有限公司）
本文介绍了科学文章的监督提取文本摘要的研究结果。我们表明，一个简单的顺序标记模型的基础上，只有在一个文档中的文本实现了高的结果对一个简单的分类模型。可以通过额外的高级功能来实现改进，尽管这些功能是最小的。通过进一步的分析，我们展示了依赖于文档结构的顺序模型的潜力，该文档结构取决于文档来自的学科。
2022-04-07 cs.CL cs.IR
Human-artificial intelligence teaming for scientific information extraction from data-driven additive manufacturing research using large language models
McGill University（麦吉尔大学）；University of Montreal（蒙特利尔大学）；Mila
本文提出一个使AM与AI专家协作的框架，利用大语言模型从数据驱动的增材制造文献中持续提取科学信息，加速信息提取过程。
2024-07-26 cs.AI cs.IR
The STEM-ECR Dataset: Grounding Scientific Entity References in STEM Scholarly Content to Authoritative Encyclopedic and Lexicographic Sources
TIB Leibniz Information Centre for Science and Technology（莱布尼茨科学与技术信息中心（TIB））
我们介绍了STEM（科学，技术，工程和医学）数据集，用于科学实体提取，分类和分辨率，版本1.0（STEM-ECR v1.0）。STEM-ECR v1.0数据集的开发旨在以独立于领域的方式为科学实体提取、分类和解析任务的评估提供基准。它包括10个STEM学科的摘要，这些学科被认为是主要出版平台上最多产的学科。我们描述了这样一个多学科语料库的创建过程，并从以下几个方面强调了所获得的发现：1）多学科科学背景下的科学实体的一般概念形式主义; 2）在这种一般形式主义下科学实体的领域独立的人类注释的可行性; 3）使用基于BERT的神经模型自动提取多学科科学实体可获得的性能基准; 4）描绘的3步实体解析过程，用于通过百科实体链接和词典词义消歧对科学实体进行人类注释;以及5）人类评估Babelfy返回的百科链接和我们的实体的词典词义。我们的研究结果累积表明，人类注释和多学科科学概念的自动学习以及在广泛的STEM环境中的语义消歧是合理的。
2020-07-28 cs.AI cs.CL cs.DL
MORTY: Structured Summarization for Targeted Information Extraction from Scholarly Articles
L3S Research Center, Leibniz University Hannover（莱布尼茨汉诺威大学L3S研究中心）；Leibniz Information Centre for Science and Technology（莱布尼茨科学技术信息中心）
由于学术论文的篇幅很长，文本、图表和引文中隐藏着大量的隐含信息，因此从学术论文中提取信息抽取是一项具有挑战性的任务。学术信息抽取在数字图书馆和知识管理系统的探索、存档和策展服务中有各种应用。我们提出MORTY，一个信息抽取技术，创建结构化摘要的文本从学术文章。我们的方法将文章的全文压缩为一个分段的文本片段，称为结构化摘要。我们还提出了一个相当大的学术数据集，结合了从学术知识图谱和相应的公开可用的科学文章中检索到的结构化摘要，我们公开发表这些文章作为研究社区的资源。我们的研究结果表明，结构化摘要是一个合适的方法，有针对性的信息抽取，补充其他常用的方法，如问答和命名实体识别。
2022-12-11 cs.CL cs.IR
Embedding Models for Supervised Automatic Extraction and Classification of Named Entities in Scientific Acknowledgements
GESIS — Leibniz Institute for the Social Sciences（GESIS——莱布尼茨社会科学研究所）
本研究使用Flair框架训练NER模型，从科学论文致谢中自动提取和分类实体，最佳准确率达0.79，可识别六类实体，为自动化致谢分析做出贡献。
2023-07-25 cs.CL cs.DL cs.IR
The DELICES project: Indexing scientific literature through semantic expansion
科学数字图书馆在科学文献的发展和传播中起着至关重要的作用。尽管有专门的搜索引擎，但从不断增长的科学文献中检索相关出版物仍然具有挑战性和耗时。索引科学文章确实是一件困难的事情，目前的模型只依赖于一小部分的文章（标题和摘要）和作者分配的关键词（如果有的话）。这导致了令人沮丧的有限的科学知识。DELICES项目的目标是通过利用科学文章之间的语义关系来改善和丰富索引来解决这个问题。为此，我们将依靠语义表示的最新进展，以增加从文档中提取的关键词的相关性，并将索引扩展到从语义相似的文档中借用的新术语。
2021-06-28 cs.IR
LAME: Layout Aware Metadata Extraction Approach for Research Articles
Kumoh National Institute of Technology（国立金乌工科大学）；Korea Institute of Science and Technology Information（韩国科学技术信息研究院）；Korea University of Technology and Education（韩国技术教育大学）
学术会议论文和期刊等学术文献的数量在全世界迅速增加，关于元数据提取的研究正在进行中。然而，高性能的元数据提取仍然是具有挑战性的，由于不同的布局格式，根据期刊出版商。为了适应学术期刊布局的多样性，我们提出了一种新的布局感知元数据提取（LAME）框架，该框架具有三个特征（例如，自动布局分析的设计、大型元数据训练集的构建以及布局-MetaBERT的构建）。我们设计了一个自动布局分析使用PDFMiner。在版面分析的基础上，自动提取了大量的元数据分离的训练数据，包括标题、摘要、作者姓名、作者所属单位和关键词。此外，我们还构建了Layout-MetaBERT来提取不同版面格式的学术期刊的元数据。Layout-MetaBERT的实验结果显示，在不同布局格式的未见过期刊的元数据提取中，Macro-F1，93.27%表现出鲁棒的性能。
2021-12-23 cs.DL cs.IR cs.LG
AptaFind: A lightweight local interface for automated aptamer curation from scientific literature
Johns Hopkins University Whiting School of Engineering（约翰斯·霍普金斯大学惠廷工程学院）；National Institute of Standards and Technology（美国国家标准与技术研究院）
AptaFind通过三级智能架构实现从科学文献中自动整理适配体数据，结合本地语言模型和确定性算法，高效提取序列并提供研究线索，验证了自动化在无法直接提取时仍能提供高质量信息。
2026-01-12 cs.IR
Doc2SAR: A Synergistic Framework for High-Fidelity Extraction of Structure-Activity Relationships from Scientific Documents
针对科学文献中SAR提取难题，提出协同框架Doc2SAR结合领域工具与微调MLLMs，并构建DocSAR-200基准，在多项指标上超越基线实现SOTA。
2025-10-11 cs.AI cs.CL cs.IR
Question-Answer Extraction from Scientific Articles Using Knowledge Graphs and Large Language Models
Elsevier（埃塞伊弗）
本文研究从科学文章中自动提取问答对，提出基于大语言模型的文章内方法和基于知识图谱的文献对比方法，并通过领域专家评估证明知识图谱方法能更有效捕捉文章主要思想。
2025-07-18 cs.CL cs.IR cs.LG
Simplifying Impact Prediction for Scientific Articles
ATHENA RC（雅典娜研究中心）
估计文章的预期影响对于各种应用（例如，article/cooperator recommendation）。大多数现有的方法试图预测每篇文章在不久的将来会收到的确切引用数，但这是一个困难的回归分析问题。此外，大多数方法都依赖于每一条都有丰富的元数据，但这一要求对许多条款来说无法充分满足。在这项工作中，我们利用这样一个事实，即解决一个更简单的机器学习问题，即根据其预期的影响对文章进行分类，对于许多现实世界的应用程序来说是足够的，我们提出了一个简化的模型，可以使用最少的文章元数据进行训练。最后，我们研究了该模型的各种配置，并评估其在解决上述分类问题的有效性。
2020-12-30 cs.IR cs.LG
WikiM: Metapaths based Wikification of Scientific Abstracts
为了传播以科学出版物形式产生的大量知识，最好设计一种机制，将其与现有的丰富概念库-维基百科-联系起来。它不仅使科学阅读变得简单和容易（通过将科学文章中使用的相关概念与维基百科的解释联系起来），而且还提高了文章的整体质量。在本文中，我们提出了一种新的基于元路径的方法，WikiM，有效地维基化科学摘要-一个主题，在文献中很少被调查。这项工作的主要动机之一来自观察，即与普通摘要相比，科学文献的维基化摘要有助于读者更好地决定他是否有兴趣阅读全文。我们主要通过传统的tf-idf措施加上一组智能过滤器来执行提及提取。实体链接大量利用了丰富的引文和作者出版网络。我们的观察是，在这些网络上定义的各种元路径可以显着提高系统的整体性能。对于提及提取和实体链接，我们在ACL Anthology Network的数据集上分别获得了72.42%和73.8%的精度值，大大优于大多数竞争对手的最先进技术。为了建立我们的方案的鲁棒性，我们wikify其他三个数据集，并得到精度值分别为63.41%-94.03%和67.67%-73.29%的提提取和实体连接阶段。
2017-05-09 cs.IR
Beyond path selection: Better LLMs for Scientific Information Extraction with MimicSFT and Relevance and Rule-induced(R$^2$)GRPO
HKUST Hong Kong SAR, China（香港科技大学）；SEU Jiangsu, China（江苏大学）；HKUST(GZ) Guangzhou, China（香港科技大学（广州））；Zhipu AI Beijing, China（智谱AI）；HKUST(GZ), HKUST Guangzhou, China（香港科技大学（广州）、香港科技大学）
针对科学信息抽取中 LLMs 表现不佳的问题，提出结合 MimicSFT 和 R$^2$GRPO 的两阶段训练方法，无需高质量思维链数据即可优化推理路径并提升推理能力，在关系抽取任务上超越基线与专门监督模型。
2025-05-28 cs.AI cs.CL cs.IR
SoMeSci- A 5 Star Open Data Gold Standard Knowledge Graph of Software Mentions in Scientific Articles
University of Rostock（罗斯托克大学）；GESIS - Leibniz Institute for the Social Sciences（莱布尼茨社会科学研究所）；Heinrich-Heine-University（海因里希·海涅大学）
关于科学调查中使用的软件的知识很重要，原因有几个，例如，使人们能够了解数据处理的来源和方法。然而，软件通常不被正式引用，而是在调查的学术描述中被非正式地提及，这就需要自动信息抽取和消歧。由于缺乏可靠的地面真相数据，我们提出SoMeSci（科学中的软件提及），这是科学文章中软件提及的黄金标准知识图谱。它包含1367篇PubMed Central文章中提到的3756个软件的高质量注释（IRR：$κ{=}.82$）。除了简单地提到软件之外，我们还提供了其他信息的关系标签，例如版本，开发人员，URL或引用。此外，我们区分不同类型，如应用程序，插件或编程环境，以及不同类型的提及，如使用或创建。据我们所知，SoMeSci是关于科学文章中提到的软件的最全面的语料库，为命名实体识别，关系抽取，实体消歧和实体链接提供训练样本。最后，我们勾勒出潜在的用例并提供基线结果。
2021-08-20 cs.CL cs.IR
Keyphrase Generation for Scientific Articles using GANs
MIDAS, IIIT-Delhi（印度理工学院德里分校MIDAS（可能是一个研究实验室或中心））；Bloomberg（彭博（公司））
在本文中，我们提出了一种使用条件生成对抗网络（GAN）的关键短语生成方法。在我们的GAN模型中，生成器根据科学文章的标题和摘要输出一系列关键词。机器人学会区分机器生成的关键词和人类策划的关键词。我们在标准基准数据集上评估了这种方法。我们的模型在生成抽象关键词方面达到了最先进的性能，并且可以与性能最好的提取技术相媲美。我们还证明了我们的方法可以生成更多样化的关键词，并使我们的实现公开可用。
2019-09-24 cs.CL cs.IR cs.LG
Paper2Data: Large-Scale LLM Extraction and Metadata Structuring of Global Urban Data from Scientific Literature
Jilin University（吉林大学）；Zhongguancun Academy（中关村学院）；Tsinghua University（清华大学）
本文提出Paper2Data方法，通过大规模LLM驱动管道自动提取科学文献中的城市数据集并结构化元数据，构建了UrbanDataMiner平台，实现了全球城市数据的发现与系统化研究。
2026-02-09 cs.AI cs.IR
Peerus Review: a tool for scientific experts finding
我们提出了一个工具，专家发现适用于学术数据的启动DSRT在其应用程序Peerus的上下文中产生的。用户可以提交科学文章的标题，摘要和作者以及出版期刊，然后应用程序返回专家列表，所提交文章的潜在评审员。检索算法是一个基于语言建模技术的投票系统，该技术经过数百万篇科学论文的训练。
2018-06-28 cs.IR
Author Unknown: Evaluating Performance of Author Extraction Libraries on Global Online News Articles
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）；Media Cloud（媒体云）；Northeastern University（东北大学）
本文构建人工编码的跨语言在线新闻作者数据集，评估五个现有软件包与一个定制模型，发现 Go-readability 和 Trafilatura 最稳定，但各工具跨语言结果差异显著。
2024-10-13 cs.CL cs.IR
SciEv: Finding Scientific Evidence Papers for Scientific News
Old Dominion University（奥尔德多米宁大学）
在过去的十年中，出现了许多报道科学突破和发现的科学新闻媒体，使科学和技术更接近公众。然而，并非所有的科学新闻文章都引用了正确的来源，例如原始科学论文。一部分科学新闻文章包含误解、夸大或扭曲的信息，这些信息偏离了原始论文中断言的事实。人工识别正确的引用是费力和昂贵的。因此，有必要自动搜索相关的科学论文，这些论文可以用作给定科学新闻的证据。我们提出了一个名为SciEv的系统，它可以搜索科学新闻文章中的科学证据。该系统采用两阶段查询范式，第一阶段检索候选论文，第二阶段重新排序。SciEv的主要特点是它在第一阶段使用领域知识实体（DKE）来寻找候选人，这被证明比常规关键词更有效。在重新排序阶段，我们探索不同的文件表示的新闻文章和候选文件。为了评估我们的系统，我们编译了一个试点数据集，由来自ScienceAlert和类似网站的100个手动策划的（新闻，论文）对组成。据我们所知，这是第一个此类数据集。我们的实验表明，Transformer模型执行最好的DKE提取。当使用基于TFIDF的文本表示时，系统实现了P@1 = 50%，P@5 = 71%和P@10 = 74%。基于变压器的重排序器实现了相当的性能，但花费了两倍的时间。我们将收集更多的数据并测试系统的用户体验。
2022-04-30 cs.AI cs.IR
A Survey on Event-based News Narrative Extraction
Virginia Tech（弗吉尼亚理工大学）；Universidad Católica del Norte（北天主教大学）；University of Washington（华盛顿大学）
叙事是我们理解世界的基础，随着时间的推移，它为我们提供了一个自然的知识表示结构。计算叙事提取是人工智能的一个子领域，它大量使用信息检索和自然语言处理技术。尽管计算叙事提取的重要性，相对较少的学术工作存在综合以前的研究和战略未来的研究在该地区。特别是，这篇文章的重点是从事件为中心的角度提取新闻叙事。从新闻数据中提取叙述在理解不断发展的信息格局方面有多种应用。本研究对基于事件的新闻叙事抽取领域的研究进行了广泛的研究。特别是，我们筛选了900多篇文章，产生了54篇相关文章。这些文章是综合和组织的表示模型，提取标准和评价方法。基于回顾的研究，我们确定了最近的趋势，开放的挑战和潜在的研究路线。
2023-03-10 cs.CL cs.IR
Automated Annotation of Scientific Texts for ML-based Keyphrase Extraction and Validation
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；DOE Joint Genome Institute（美国能源部联合基因组研究所）
本文针对环境基因组学等缺乏元数据的科学文本，提出两种自动文本标注方法，分别利用相关数据源关系和领域词表本体，为机器学习生成元数据验证提供标签，实验显示高达44%的标签与机器学习关键词提取算法结果匹配。
2023-11-08 cs.AI cs.IR cs.LG
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
Large-scale Evaluation of Transformer-based Article Encoders on the Task of Citation Recommendation
Faculty of Electrical Engineering and Computing, University of Zagreb（萨格勒布大学电气工程与计算学院）
最近推出的基于transformer的文章编码器（TAE）旨在为相互相关的科学文章产生类似的矢量表示，在科学文章推荐的基准数据集上表现出强大的性能。然而，现有的基准数据集主要集中在单个领域，并且在某些情况下，在小的候选池中包含容易的否定。在候选库中有数千篇文章的情况下，评估此类基准的表示可能会模糊TAE的实际性能。在这项工作中，我们评估TAE的大型基准更具挑战性的候选池。我们比较了TAE的性能与词汇检索基线模型BM 25的引用推荐的任务，该模型产生一个列表的建议，在给定的输入文章中引用。我们发现，BM 25与最先进的神经检索器相比仍然具有很强的竞争力，考虑到TAE在小基准上的强劲表现，这一发现令人惊讶。为了弥补现有基准的局限性，我们提出了一个新的基准数据集来评估科学文章的表示：多领域引文推荐数据集（MDCR），它涵盖了不同的科学领域，并包含具有挑战性的候选池。
2022-09-12 cs.CL cs.IR
Public Reaction to Scientific Research via Twitter Sentiment Prediction
Northern Illinois University（北伊利诺伊大学）
社交媒体用户与其他用户分享他们的想法，想法和情感。然而，目前尚不清楚在线用户将如何回应新的研究结果。这项研究旨在预测Twitter用户对科学出版物表达的情绪的性质。此外，我们还调查了研究文章的哪些特征有助于这种预测。识别社交媒体上的研究文章的情绪将有助于科学家衡量他们的研究文章的新社会影响。
2022-09-11 cs.AI cs.IR cs.LG
