KamerRaad: Enhancing Information Retrieval in Belgian National Politics through Hierarchical Summarization and Conversational Interfaces
KamerRaad利用大型语言模型提取并总结比利时议会记录，通过Streamlit前端和开源后端模型支持交互式对话，帮助公民逐步理解政治信息并提升源检索与摘要质量。
2024-04-22 cs.IR
Nyay-Darpan: Enhancing Decision Making Through Summarization and Case Retrieval for Consumer Law in India
Indian Institute of Technology Bombay（印度理工学院孟买学院）；National Law School of India University（印度国家法律学校大学）
本文提出Nyay-Darpan框架，通过总结消费者案件档案和检索相似案件判决，辅助印度消费者纠纷决策，填补了消费者法AI工具的空白。
2025-08-08 cs.CL cs.IR
CPS-MEBR: Click Feedback-Aware Web Page Summarization for Multi-Embedding-Based Retrieval
针对单嵌入难以完整表征复杂网页的问题，提出融合点击反馈的网页摘要框架CPS-MEBR，结合句子级语义交互生成多嵌入，提升检索质量。
2023-05-07 cs.IR
The Effect of the Multi-Layer Text Summarization Model on the Efficiency and Relevancy of the Vector Space-based Information Retrieval
互联网上的大量上传文本在信息检索系统中产生了巨大的倒排索引，这损害了它们的效率。本研究的目的是衡量自动摘要的多层相似度模型在建立信息量大、简洁的倒排索引方面的效果。为了实现这一目的，我们总结了相当数量的文档使用多层相似性模型，我们建立了倒排索引从自动摘要，从这个模型产生的。一系列的实验进行了测试的效率和相关性方面的性能。实验包括与三个现有的文本摘要模型的比较; Jaccard系数模型，向量空间模型，和潜在语义分析模型。实验研究了三组查询与手动和自动相关性评估。多层相似性在IR系统的效率中的积极作用是明显的，而相关性结果没有明显的损失。然而，评估表明，传统的统计模型没有语义调查未能提高信息检索的效率。与以前的出版物，解决了使用摘要作为索引的来源，我们的工作的相关性评估更高，和多层相似性检索构建的倒排索引是58%小于主语料倒排索引。
2020-04-18 cs.IR
Integrating Summarization and Retrieval for Enhanced Personalization via Large Language Models
Georgia Institute of Technology（佐治亚理工学院）；Amazon Alexa AI（亚马逊Alexa AI）
本文提出一种摘要增强个性化方法，利用大语言模型离线生成任务感知的用户摘要，并与运行时检索结合，在减少75%检索数据的情况下，在LaMP基准上达到或超越现有检索增强方法的个性化性能。
2023-10-30 cs.AI cs.CL cs.IR
Beyond Relevant Documents: A Knowledge-Intensive Approach for Query-Focused Summarization using Large Language Models
University of Amsterdam（阿姆斯特丹大学）；Amazon Alexa AI（亚马逊Alexa人工智能）；University of Edinburgh（爱丁堡大学）
提出一种知识密集型查询聚焦摘要方法，通过检索模块从大规模语料库获取文档，结合LLM摘要控制器生成准确摘要，无需预先相关文档，实验验证其优越性能。
2024-08-19 cs.CL cs.IR
Thesis: Document Summarization with applications to Keyword extraction and Image Retrieval
Indian Institute of Technology, Bombay（印度理工学院孟买分校）
本文研究文档摘要技术，提出基于 rank aggregation 与相关性反馈的图像推荐方法，并设计 submodular functions 平衡意见摘要中的压缩与情感检测需求，在图像检索与摘要生成任务上均优于基线。
2024-05-20 cs.AI cs.CL cs.IR
Right Answer at the Right Time - Temporal Retrieval-Augmented Generation via Graph Summarization
针对时序知识图谱问答中时间约束缺失和 token 开销问题，本文提出 STAR-RAG，通过时间对齐规则图与图传播检索一致证据，免训练地提升准确率并降低成本。
2025-10-19 cs.IR
A Hybrid Citation Retrieval Algorithm for Evidence-based Clinical Knowledge Summarization: Combining Concept Extraction, Vector Similarity and Query Expansion for High Precision
Northwestern University Feinberg School of Medicine（西北大学范伯格医学院）；Bluhm Cardiovascular Institute of Northwestern Medicine（西北大学布鲁姆心血管研究所）；University of Kansas Medical Center（堪萨斯大学医学中心）
新的信息检索方法，以确定引文相关的临床主题，可以克服知识差距之间存在的主要文献（MEDLINE）和在线临床知识资源，如UpToDate。直接检索MEDLINE数据库或使用查询扩展方法检索MEDLINE数据库会返回大量与查询无关的引文。目前的研究提出了一个引文检索系统，检索引文的循证临床知识总结。该方法结合了查询扩展、基于概念的筛选算法和基于概念的向量相似度。我们还提出了一个信息抽取框架自动概念（人口，干预，比较和疾病）提取。我们评估了我们提出的系统上的所有主题（查询）从UpToDate两种疾病，心力衰竭（HF）和心房颤动（AFib）。根据UpToDate中可用的引用金标准，该系统在HF主题上的总体F分数为41.2%，在AFib主题上的总体F分数为42.4%。与基于查询扩展的基线（HF的F评分为1.3%，AFib为2.2%）和使用疾病下位词和期刊名称、基于概念的筛选和基于术语的向量相似性系统（HF的F评分为37.5%，AFib为39.5%）的查询扩展的系统相比，这一数值显著较高。使用前K个相关引文评估系统，其中K是金标准中的引文数量，HF主题的总体F分数为69.9%，AFib主题为75.1%。此外，当对10个HF和6个AFib临床主题进行测试时，系统每个主题检索到多达18个新的相关引文。
2016-09-06 cs.CL cs.IR
Leveraging the Power of LLMs: A Fine-Tuning Approach for High-Quality Aspect-Based Summarization
Computer Science and Engineering Department, IIT Kharagpur（印度理工学院卡拉格普尔分校计算机科学与工程系）；Emergence AI（Emergence AI公司）
本文研究通过微调Llama2、Mistral、Gemma和Aya等开源大语言模型来提升方面级摘要质量，并建立评估框架验证其优于现有方法和未微调模型。
2024-08-05 cs.AI cs.CL cs.IR
Leveraging Large Language Models for Comparative Literature Summarization with Reflective Incremental Mechanisms
Autonomous University of Nuevo León（新莱昂自治大学）
提出 ChatCite 方法，通过多步推理、增量构建与反思记忆机制让 LLM 生成比较文献综述，并在 CompLit-LongContext 上超越 GPT-4 等基线。
2024-12-03 cs.CL cs.IR
CO-Search: COVID-19 Information Retrieval with Semantic Search, Question Answering, and Abstractive Summarization
Salesforce Research（赛富时研究院）
2019冠状病毒病全球大流行促使国际社会努力了解、跟踪和减轻这种疾病，产生了跨科学学科的2019冠状病毒病和SARS-CoV-2相关出版物的重要语料库。截至2020年5月，已通过COVID-19开放研究数据集挑战收集了128，000篇与冠状病毒相关的出版物。在这里，我们介绍了CO-Search，这是一个检索器-排名器语义搜索引擎，旨在处理对COVID-19文献的复杂查询，可能有助于负担过重的卫生工作者在危机时期找到科学答案。检索器是建立从Siamese-BERT编码器，是线性组成的TF-IDF矢量化，和倒数秩融合的BM 25矢量化。该排名器是由一个多跳问答模块，连同多段摘要摘要调整检索分数。为了解决特定领域和相对有限的数据集，我们生成了文档段落和引用的二分图，创建了130万个（引用标题，段落）元组用于训练编码器。我们根据TREC-COVID信息检索挑战的数据评估了我们的系统。CO-Search在第一轮和第二轮的数据集上获得了最佳性能，包括几个关键指标：归一化折扣累积增益、精度、平均精度和二进制偏好。
2020-06-17 cs.AI cs.CL cs.IR
MMSRARec: Summarization and Retrieval Augumented Sequential Recommendation Based on Multimodal Large Language Model
College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学技术学院）
本文提出MMSRARec，基于多模态大语言模型，通过摘要与检索增强序列推荐，提升推荐性能、可解释性与计算效率。
2025-12-24 cs.IR cs.MM
Leveraging Hierarchical Organization for Medical Multi-document Summarization
National Tsing Hua University（清华大学）；University of Washington（华盛顿大学）；Allen Institute for AI（人工智能研究院）
本文研究在医学多文档摘要输入中引入层次化结构，以提升模型跨文档组织和情境化信息的能力，实验证明该方法能保持事实性、覆盖度与连贯性，并提高人类对摘要的偏好。
2025-11-04 cs.AI cs.CL cs.IR
A Unified Retrieval Framework with Document Ranking and EDU Filtering for Multi-document Summarization
Institute of Science（科学研究所）；The University of Tokyo（东京大学）；Center for Spatial Information Science（空间信息科学中心）
提出统一检索框架，利用潜在查询指导文档排序并过滤不相关EDU，解决多文档摘要的上下文长度限制，提升ROUGE指标。
2025-04-23 cs.IR cs.LG
Using Generic Summarization to Improve Music Information Retrieval Tasks
Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等理工学院）；Instituto Universitário de Lisboa (ISCTE-IUL)（里斯本大学学院）；INESC-ID Lisboa（INESC-ID里斯本）
为了满足处理时间的限制，许多MIR任务只处理整个音乐信号的一段。这种做法可能会导致性能下降，因为任务的最重要的信息可能不在这些处理的片段中。在本文中，我们利用通用摘要算法，以前应用于文本和语音摘要，总结音乐数据集中的项目。这些算法通过从输入信号中选择适当的片段来构建既简洁又多样的摘要，这使得它们也是总结音乐的良好候选者。我们评估二进制和多类音乐流派分类任务的摘要过程，通过比较使用总结数据集获得的性能与使用连续片段（这是用于解决前面提到的时间限制的传统方法）和相同原始数据集的完整歌曲获得的性能。我们表明，GRASSHOPPER，LexRank，LSA，MMR和基于支持集的中心性模型与选定的30秒基线相比，提高了分类性能。我们还表明，汇总数据集导致的分类性能的差异是不使用完整的歌曲在统计上显着。此外，我们提出了一个论点，说明共享汇总数据集的优势，为未来的MIR研究。
2016-03-09 cs.IR cs.LG cs.SD
TREC 2020 Podcasts Track Overview
Spotify（声田）；CLARIN ERIC；Dublin City University（都柏林城市大学）
Podcast Track是2020年文本检索会议（TREC）的新内容。播客轨道的目的是鼓励研究播客在信息检索和NLP研究社区。该曲目由两个共享任务组成：片段检索和摘要，两者都基于与曲目同时发布的超过100，000个播客集（元数据，音频和自动转录）的数据集。这条赛道引起了相当大的兴趣，吸引了数百名新注册的TREC和15个团队，大多是搜索和总结之间的分离，进行了最终提交的评估。深度学习是搜索实验和摘要的主要实验方法。本文概述了任务和参与者的实验结果。这条赛道将在TREC 2021中返回相同的两项任务，并根据参与者的反馈进行轻微修改。
2021-03-29 cs.CL cs.IR
Tackling Query-Focused Summarization as A Knowledge-Intensive Task: A Pilot Study
University of Amsterdam（阿姆斯特丹大学）；Amazon Alexa AI（亚马逊Alexa人工智能）；University of Edinburgh（爱丁堡大学）
本研究将查询聚焦摘要（QFS）作为知识密集型任务处理，无需预先提供相关文档，构建了新数据集KI-QFS，实验表明现有模型在该设置下表现显著下降，揭示了知识密集型QFS的挑战与改进空间。
2023-07-31 cs.CL cs.IR
Leveraging Generative Models for Real-Time Query-Driven Text Summarization in Large-Scale Web Search
Baidu Inc.（百度公司）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
本文提出融合蒸馏、监督微调、偏好优化与前瞻解码的生成式 QDTS 框架，使 0.1B 模型超越生产基线并实现低延迟大规模部署。
2025-08-28 cs.CL cs.IR
A Data Science Approach to Calcutta High Court Judgments: An Efficient LLM and RAG-powered Framework for Summarization and Similar Cases Retrieval
A.K.Choudhury School of IT（A.K.Choudhury信息科技学院）；University of Calcutta（加尔各答大学）；Department of Computer Science（计算机科学系）；Bangabasi Morning College（Bangabasi晨学院）
本文提出一种结合微调Pegasus模型与RAG技术的框架，用于加尔各答高等法院判决的摘要生成和相似案件检索，以提升法律研究效率。
2025-06-28 cs.AI cs.IR cs.LG
SproutRAG: Attention-Guided Tree Search with Progressive Embeddings for Long-Document RAG
University of British Columbia（不列颠哥伦比亚大学）；ServiceNow Research（ServiceNow研究院）
提出SproutRAG，通过注意力引导构建句子级分块树，实现多粒度检索，无需额外LLM调用，平均信息效率提升6.1%。
2026-06-18 cs.CL cs.IR
Leveraging Usage Data for Linked Data Movie Entity Summarization
Semantic Technology Institute（语义技术研究所）；University of Innsbruck（因斯布鲁克大学）
关联数据领域的新研究集中在实体摘要问题上。此字段解决了根据特征对于标识特定实体的任务的重要性对特征进行排序的问题。除了更人性化的呈现之外，这些摘要可以为语义搜索引擎和语义推荐系统发挥核心作用。在当前的方法中，已经尝试基于所考虑的数据固有的模式来应用实体摘要。本文提出的方法侧重于电影领域。它利用使用数据，以支持测量电影实体之间的相似性。使用这种相似性，可以确定实体的k-最近邻居。这导致了这样的想法，即实体与其最近邻居共享的特征可以被认为对这些实体是重要的或重要的。此外，我们引入了一个降级因子（类似于TF-IDF），以克服大量的常见特征。我们基于已链接到Freebase实体的电影评级数据集来验证该方法。
2012-04-12 cs.AI cs.HC cs.IR
EmbSum: Leveraging the Summarization Capabilities of Large Language Models for Content-Based Recommendations
University of British Columbia（不列颠哥伦比亚大学）；Meta AI；Monash University（莫纳什大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
针对基于内容的推荐需求，本文提出EmbSum框架，结合预训练编解码模型、多头注意力层与LLM监督的用户兴趣摘要生成，实现离线预计算与长期兴趣建模，在两个跨领域数据集上以更少参数超越现有最优方法，还可输出兴趣摘要。
2024-08-19 cs.CL cs.IR
The Effect of Document Summarization on LLM-Based Relevance Judgments
The University of Queensland（昆士兰大学）；University of Udine（乌迪内大学）
本文研究了文档摘要对基于大语言模型的相关性判断可靠性及IR评估的影响，发现摘要判断在稳定性上与完整文档判断相当，但引入了系统性的标签偏见。
2025-12-05 cs.AI cs.CL cs.IR
Passage Summarization with Recurrent Models for Audio-Sheet Music Retrieval
Institute of Computational Perception（计算感知研究所）；LIT Artificial Intelligence Lab（LIT人工智能实验室）；Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）
本文提出跨模态循环网络学习联合嵌入，以弱对齐音频-乐谱对实现长乐段摘要，有效处理速度差异，在合成与真实钢琴数据上均取得更准确的检索效果。
2023-09-21 cs.IR cs.LG cs.SD
TCRA-LLM: Token Compression Retrieval Augmented Large Language Model for Inference Cost Reduction
Meetyou AI Lab（美柚人工智能实验室）；Xiamen Key Laboratory of Women’s Internet Health Management（厦门市女性互联网健康管理重点实验室）；Osaka University（大阪大学）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）
提出TCRA-LLM词元压缩方案，通过摘要压缩和语义压缩两种方法，有效降低检索增强LLMs的输入词元大小和推理成本，在Food-Recommendation DB数据集上实现65%的词元缩减且准确率提升0.3%，或20%缩减仅损失1.6%准确率。
2023-10-25 cs.CL cs.IR
Context-aware Decoding Reduces Hallucination in Query-focused Summarization
University of Utah（犹他大学）
本文提出上下文感知解码方法，通过减少查询导向摘要中的幻觉并保留词法模式匹配度，提升生成质量。
2026-01-05 cs.CL cs.IR
Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023)
George Washington University（乔治·华盛顿大学）
该2023年秋的研究构建了结合LLM与RAG的财经新闻摘要流程，测试多种模型与方法，发现Summarize Chains的Falcon-7B表现最优，RAG存在缺陷，且相关失效模式至今仍具参考价值。
2026-08-21 cs.AI cs.CL cs.IR
SVD-RAG: Efficient Tree-Organized Retrieval-Augmented Generation via Singular Value Decomposition
研究提出SVD-RAG，通过对密集句子嵌入矩阵应用奇异值分解进行层次RAG抽取式摘要。该方法具确定性、成本效益高、内容自适应特点，实验表明其检索质量与RAPTOR相近，构建树速度更快且在多主题基准上性能提升显著。
2026-07-14 cs.IR
Efficient course recommendations with T5-based ranking and summarization
本文提出一个基于 RankT5 重排序和自动摘要的两阶段课程推荐检索流水线，在标注数据集上显著超越 BM25 基线，并通过量化实现 40% 加速。
2024-06-27 cs.IR
Overview of TREC 2025 Biomedical Generative Retrieval (BioGen) Track
National Library of Medicine, NIH（美国国家医学图书馆）；Oregon Health & Science University（俄勒冈健康与科学大学）；UTHealth Houston（休斯顿德州大学健康科学中心）
本文探讨了大型语言模型在生物医学任务中的最新进展，指出尽管模型在处理和综合复杂生物医学信息方面表现出色，但生成陈述的可验证性仍是关键挑战，特别是在医疗问答等高风险领域。
2026-03-23 cs.IR
Leveraging Query Resolution and Reading Comprehension for Conversational Passage Retrieval
University of Amsterdam（阿姆斯特丹大学）；Apple Inc.（苹果公司）
本文介绍了UvA.ILPS集团参加TREC CAST 2020的情况。我们的段落检索管道包括（i）使用BM 25的初始检索模块，以及（ii）将BERT排名模型的得分与针对段落检索调整的机器理解模型的得分相结合的重新排名模块。会话段落检索中的一个重要挑战是查询通常是指定不足的。因此，我们执行查询解析，即使用QuReTeC（术语分类查询解析模型）将会话历史中缺失的上下文添加到当前回合查询中。我们表明，我们最好的自动和手动运行优于相应的中位数运行了很大的保证金。
2021-02-17 cs.CL cs.IR
Natural Language Summarization Enables Multi-Repository Bug Localization by LLMs in Microservice Architectures
Yildiz Technical University, Dept. of Computer Eng.（Yildiz技术大学，计算机工程系）；Yildiz Technical University, Department of Computer Engineering（Yildiz技术大学，计算机工程系）
利用自然语言摘要和LLM技术，通过多仓库微服务架构实现更高效的Bug定位，显著提升定位准确率和透明度。
2025-12-05 cs.AI cs.CL cs.IR
Clinfo.ai: An Open-Source Retrieval-Augmented Large Language Model System for Answering Medical Questions using Scientific Literature
Stanford University（斯坦福大学）；Mayo Clinic（梅奥诊所）；Stanford Healthcare（斯坦福医疗中心）
针对医学文献快速增长且缺乏高质量评估数据集的问题，提出了开源检索增强LLM系统Clinfo.ai，并构建了PubMedRS-200数据集与基准任务来评估其及其他OpenQA系统在回答临床问题上的表现。
2023-10-24 cs.AI cs.CL cs.IR
Query Focused Multi-Document Summarization with Distant Supervision
Institute for Language, Cognition and Computation（语言、认知与计算研究所）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
我们认为，更好地建模查询集群的相互作用，以促进查询为重点的多文档摘要（QFS）的问题。由于缺乏训练数据，现有的工作在很大程度上依赖于检索式的方法来估计查询和文本段之间的相关性。在这项工作中，我们利用远程监督从问答，其中各种资源可以更明确地捕捉查询和文档之间的关系。我们提出了一个由粗到细的建模框架，它引入了单独的模块，用于估计片段是否与查询相关，可能包含答案和中心。在此框架下，经过训练的证据估计器进一步辨别哪些检索到的片段可能回答摘要中的最终选择的查询。我们证明，我们的框架优于强比较系统的标准QFS基准。
2020-04-06 cs.CL cs.IR cs.LG
Conversational Text Extraction with Large Language Models Using Retrieval-Augmented Systems
School of Computer Engineering, Kalinga Institute of Industrial Technology（卡林加工业技术学院计算机工程学院）
本文提出基于 RAG 与 LLM 的 PDF 对话式文本提取系统，通过句子嵌入向量检索和上下文生成高亮相关段落，并取得具有竞争力的 ROUGE 表现。
2025-01-16 cs.CL cs.IR
Gold Standard Online Debates Summaries and First Experiments Towards Automatic Summarization of Online Debate Data
The University of Sheffield（谢菲尔德大学）
在线文本媒体的使用正在稳步增长。每天，越来越多的新闻故事，博客文章和科学文章被添加到在线卷。这些都是免费访问，并已被广泛应用于多个研究领域，例如自动文本摘要，信息检索，信息抽取等，同时，在线辩论论坛最近变得流行，但在很大程度上还未开发。由于这个原因，没有足够的资源注释的辩论数据可用于进行研究，在这一体裁。在本文中，我们收集和注释的自动摘要任务的辩论数据。与提取黄金标准摘要生成类似，我们的数据包含值得包含到摘要中的句子。五个人类注释者执行了这项任务。基于语义相似性的注释者间一致性，Cohen的kappa为36%，Krippendorff的alpha为48%。此外，我们还实现了一个在线辩论的提取摘要系统，并讨论了自动总结在线辩论数据的任务的突出特点。
2017-08-15 cs.AI cs.CL cs.IR
From Local to Global: A Graph RAG Approach to Query-Focused Summarization
Microsoft Research（微软研究院）；Microsoft Strategic Missions and Technologies（微软战略任务与技术部）；Microsoft Office of the CTO（微软首席技术官办公室）
针对RAG处理全局问题失效、现有QFS方法扩展性不足的问题，提出GraphRAG方法，通过LLM构建实体知识图并预生成社区摘要，在100万token数据集的全局问题上，生成答案的全面性和多样性显著优于传统RAG。
2025-02-19 cs.AI cs.CL cs.IR
DOGR: Leveraging Document-Oriented Contrastive Learning in Generative Retrieval
针对生成式检索无法直接表示查询与文档相关性的问题，本文提出DOGR框架，通过面向文档的对比学习和两阶段策略增强语义表示学习，在两个基准数据集上取得SOTA性能且对常见标识符构建技术通用有效。
2025-02-12 cs.IR
SUMMA: A Multimodal Large Language Model for Advertisement Summarization
提出多模态模型SUMMA，通过两阶段训练生成商业价值摘要，集成于抖音搜索广告流程，离线在线实验显示广告收入提升1.5%。
2025-10-10 cs.IR
Leveraging Semantic and Lexical Matching to Improve the Recall of Document Retrieval Systems: A Hybrid Approach
搜索引擎通常遵循两阶段范例，其中在第一阶段（检索阶段）中检索初始文档集，并且在第二阶段（重新排序阶段）中对文档进行重新排序以获得最终结果列表。虽然深度神经网络在以前的工作中被证明可以提高重新排序阶段的性能，但是很少有文献关于使用深度神经网络来提高检索阶段。在本文中，我们研究了深度神经网络模型和词汇模型相结合的检索阶段的优点。提出了一种利用语义（基于深度神经网络）和词汇（基于关键字匹配）检索模型的混合方法。我们进行了实证研究，使用公开的TREC集合，这表明了我们的方法的有效性，并揭示了语义方法，词汇方法，以及它们的组合的不同特点。
2020-10-02 cs.IR
Beyond the Reranker: Do RAG Retrieval Enhancements Help Once a Strong Reranker Is Present?
Cascade Research（Cascade研究）
研究在强重排序器存在下，多种RAG检索增强方法是否仍有效。构建异构基准HetDocQA，发现仅查询扩展和SSCC（新提出的逐源校准校正器）能带来可靠提升。
2026-06-14 cs.AI cs.IR
Joint Workshop on Bibliometric-enhanced Information Retrieval and Natural Language Processing for Digital Libraries (BIRNDL 2017)
大量的学术出版物对学者的信息寻求和意义建构提出了挑战。文献计量学、信息检索（IR）、文本挖掘和自然语言处理技术可以帮助这些搜索和查找活动，但尚未得到广泛使用。本次研讨会旨在激励IR研究人员和数字图书馆专业人员详细阐述自然语言处理、信息检索、科学计量学、文本挖掘和推荐技术方面的新方法，这些方法可以大规模地推进学术文档理解、分析和检索方面的最新技术。SIGIR 2017的BIRNDL研讨会将包括特邀演讲，论文会议和第三版计算语言学（CL）科学总结共享任务。
2017-06-08 cs.DL cs.IR
