Uncertainty-Aware Complex Scientific Table Data Extraction
针对科学表格提取缺乏不确定性量化的问题,提出基于共形预测的框架,聚合TSR和OCR不确定性,仅验证47%结果即可提升30%数据质量。
2025-07-08 cs.IR
ATEM: A Topic Evolution Model for the Detection of Emerging Topics in Scientific Archives
Sorbonne University(索邦大学)
本文提出融合动态主题建模与动态图嵌入的 ATEM 框架,利用主题簇引用链接的语境涌现识别跨学科新兴主题,并在 DBLP 超 500 万篇论文上验证其有效性。
2023-06-04 cs.AI cs.IR
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
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
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
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
Knowledge-guided Open Attribute Value Extraction with Reinforcement Learning
North Carolina State University(北卡罗来纳州立大学);Fudan University(复旦大学)
面向新实体的开放属性值抽取是一项重要而又具有挑战性的任务。许多以前的工作制定的问题作为一个\textit{question-answering}(QA)的任务。虽然来自网络语料库的文章集合提供了关于新兴实体的更新信息,但检索到的文本可能是嘈杂的,不相关的,从而导致不准确的答案。有效地过滤掉噪声文章以及糟糕的答案是提高抽取准确率的关键。知识图谱(KG)包含关于实体的丰富的、组织良好的信息,为解决这一挑战提供了良好的资源。在这项工作中,我们提出了一个知识引导的强化学习(RL)框架的开放属性值提取。根据KG中的相关知识,我们训练了一个深度Q网络来顺序比较提取的答案,以提高提取的准确性。该框架适用于不同的信息抽取系统。我们的实验结果表明,我们的方法优于基线的16.5 - 27.8%。
2020-10-19 cs.CL 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
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
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
Topic Extraction and Bundling of Related Scientific Articles
基于共同特征的科技论文自动分类是数字图书馆和信息检索系统中的一个重要问题。正确组织的文章可以是有用的自动生成的分类在科学著作,文本摘要,高效的信息检索等生成文章束从大量的输入文章,根据相关的功能的文章是繁琐和计算昂贵的任务。在这份报告中,我们提出了一个自动的两步方法,主题提取和捆绑的相关文章,从一组科学文章的实时。对于主题提取,我们利用潜在狄利克雷分配(LDA)的主题建模技术和捆绑,我们利用层次凝聚聚类技术。我们运行实验来验证我们的捆绑语义,并将其与使用中的现有模型进行比较。我们利用亚马逊提供的在线众包市场Amazon Mechanical Turk来进行实验。我们详细解释了我们的实验装置和经验结果,并表明我们的方法是优于现有的。
2015-05-01 cs.DL cs.IR stat.ML
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
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
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
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
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
Domain-independent Extraction of Scientific Concepts from Research Articles
我们研究了从学术文章摘要中提取独立于领域的科学概念的新任务,并提出了两个贡献。首先,我们提出了一套通用的科学概念,已确定在一个系统的注释过程。这套概念是用来注释语料库的科学摘要从10个领域的科学,技术和医学在短语的水平,在与领域专家的共同努力。所得到的数据集用于一组基准实验中,以(a)为该任务提供基线性能,(b)检查域之间概念的可转移性。其次,我们提出两个深度学习系统作为基线。特别是,我们提出了主动学习,以处理不同的领域在我们的任务。实验结果表明:(1)非专家在与领域专家协商后,可以获得基本一致的结果;(2)基线系统获得了相当高的F1分数;(3)主动学习使我们能够将所需的训练数据量减少近一半。
2020-01-09 cs.DL 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
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
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
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
New Methods for Metadata Extraction from Scientific Literature
在过去的几十年里,我们目睹了数字革命,它将学术交流转移到电子媒体,并导致其数量大幅增加。如今,跟踪最新的科学成果对研究人员构成了重大挑战。科学信息过载是影响学术界学术交流和知识传播的严重问题。现代研究基础设施通过提供智能搜索工具、推荐相似和相关文献、可视化引文和作者网络、评估文章的质量和影响力等来促进科学文献的研究。为了提供这种高质量的服务,系统不仅需要访问存储文档的文本内容,还需要访问其机器可读的元数据。由于在实践中,高质量的元数据并不总是可用的,有一个可靠的自动方法,直接从源文件提取机器可读的元数据的强烈需求。本研究针对这些问题,提出了一种自动,准确和灵活的算法,直接从科学论文中提取广泛的元数据,以数字形式。提取的信息包括基本文献元数据、结构化全文和书目部分。作为一个通用的解决方案,提出的算法是能够处理各种各样的出版物的布局精度高,因此非常适合于分析异构文档集。这是通过采用在大型、多样化数据集上训练的监督和无监督机器学习算法来实现的。我们进行的评估表明,提出的元数据提取算法的良好性能。与其他类似的解决方案的比较也证明了我们的算法性能优于大多数元数据类型的竞争对手。
2017-10-27 cs.DL 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
SCP-116K: A High-Quality Problem-Solution Dataset and a Generalized Pipeline for Automated Extraction in the Higher Education Science Domain
INFLY TECH (Shanghai) Co., Ltd.(INFLY科技(上海)有限公司);Fudan University(复旦大学)
针对高等教育科学领域高质量训练数据稀缺问题,提出含116,756个问题-解决方案对的SCP-116K数据集及通用自动提取流程,公开资源以推动科学推理研究与LLM性能评估。
2025-08-24 cs.AI 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
SciClops: Detecting and Contextualizing Scientific Claims for Assisting Manual Fact-Checking
EPFL(洛桑联邦理工学院);Universitat Pompeu Fabra(庞培法布拉大学)
本文介绍了SciClops,一种帮助打击在线科学错误信息的方法。尽管自动事实核查方法最近得到了极大的关注,但它们需要预先存在的地面事实证据,而在科学背景下,这些证据是稀疏的,分散在不断发展的科学文献中。现有的方法不利用这些文献,这可以有效地上下文和打击科学相关的谬论。此外,这些方法很少需要人为干预,而人为干预对于科学错误信息的复杂和关键领域至关重要。SciClops涉及三个主要步骤来处理在线新闻文章和社交媒体帖子中的科学主张:提取,聚类和上下文化。首先,科学声明的提取使用特定于领域的、微调的Transformer模型进行。其次,从不同来源提取的类似主张与相关的科学文献一起使用的方法,利用其内容和它们之间的联系。第三,由流行但不可靠的来源广播的值得检查的声明,与增强的事实检查上下文一起突出显示,其中包括相关的经验证的声明,新闻文章和科学论文。大量的实验表明,SciClops充分处理了这三个步骤,并有效地帮助非专家事实核查人员验证复杂的科学主张,优于商业事实核查系统。
2021-10-25 cs.CL cs.CY 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
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
CABACE: Injecting Character Sequence Information and Domain Knowledge for Enhanced Acronym and Long-Form Extraction
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校)
首字母缩略词和长形式在研究文件中很常见,在科学和法律领域的文件中更是如此。这些文档中使用的许多首字母缩略词都是特定于领域的,很少在普通文本语料库中找到。因此,基于transformer的NLP模型通常会检测首字母缩略词标记的OOV(Out of Vocabulary),特别是对于非英语语言,并且在提取过程中将首字母缩略词链接到其长形式时,其性能会受到影响。此外,像BERT这样的预训练的Transformer模型并不专门处理科学和法律文档。这些要点是这项工作背后的首要动机,我们提出了一个新的框架CABACE:字母缩写词提取的字符感知BERT,它考虑到文本中的字符序列,并适应于科学和法律领域的掩蔽语言建模。我们进一步使用具有增强的损失函数的目标,将最大损失和掩码损失项添加到用于训练CABACE的标准交叉熵损失。我们进一步利用伪标签和对抗性数据生成来提高框架的通用性。实验结果证明了所提出的框架相比,各种基线的优越性。此外,我们表明,所提出的框架比基线模型更适合zero-shot推广到非英语语言,从而加强了我们的方法的有效性。我们的团队BacKGProp在SDU AAAI-22的首字母缩略词提取(AE)共享任务的全球排行榜上获得了法语数据集的最高分,丹麦语和越南语的第二高分,以及英语法律数据集的第三高分。
2021-12-25 cs.AI cs.CL cs.IR
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
Method and Dataset Mining in Scientific Papers
Zhejiang Lab(浙江实验室);Old Dominion University(奥多明尼昂大学);Tianjin University(天津大学);Nankai University(南开大学)
文献分析有助于研究者更好地了解科学技术的发展。传统的文献分析侧重于主题、作者、摘要、关键词、参考文献等,很少关注论文的内容。在机器学习领域,所涉及的方法(M)和数据集(D)是论文中的关键信息。M和D的提取和挖掘有助于学科分析和算法推荐。在本文中,我们提出了一种新的实体识别模型,称为MDER,并从PAKDD会议(2009-2019)的论文中构建数据集。进行了一些初步的实验,以评估提取性能和可视化的开采结果。
2019-11-29 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
Prioritization of COVID-19-related literature via unsupervised keyphrase extraction and document representation learning
Jožef Stefan Institute(约瑟夫·斯蒂芬研究所);Jožef Stefan International Postgraduate School(约瑟夫·斯蒂芬国际研究生院);University of Maribor(马里博尔大学)
COVID-19大流行引发了一波新的科学文献,这些文献不可能在合理的时间范围内手动检查和研究。当前的机器学习方法提供了将此类文献主体投影到向量空间中,其中类似的文档彼此靠近,从而提供了对科学论文和与COVID-19相关的其他知识源的深入探索。然而,要开始搜索,需要对这些文本进行适当的注释,但由于缺乏人力资源,这种情况很少发生。在我们的系统中,使用无监督的关键词提取来注释当前的COVID-19相关文献,从而促进对包含学习的文档嵌入(低维表示)的潜在空间的初始查询。该解决方案是通过一个网络服务器能够交互式搜索,术语排名,并探索潜在的有趣的文献。我们通过药物化学领域的案例研究证明了该方法的实用性。
2021-10-17 cs.CL cs.DL cs.IR
Emerging trends and collaboration patterns unveil the scientific production in blockchain technology: A bibliometric and network analysis from 2014-2020
金融行业的极大关注为区块链技术在其他行业的传播铺平了道路,导致了大量关于该主题的文献。本研究通过文献计量学和网络分析方法对2014-2020年基于区块链的Web of Science中提取的6790条记录进行了研究。本研究确认了(i)开放获取出版物对文献增长和知名度的影响,(ii)合作模式和团队规模对合作的影响,(iii)基于国家和国际合作的国家排名,以及(iv)通过主题分析确定文献中的主要主题。基于区块链获得的显著势头,2020年开放获取出版物的趋势比没有开放获取的出版物增长了1.5倍。该分析阐述了区块链文献的众多潜力及其被各国及其作者采用的情况。中国和美国是该领域的领先者,并将区块链更多地应用于智能合约、供应链和物联网。此外,结果显示,区块链吸引了不到1%的作者的注意力,他们为区块链上的多个作品做出了贡献,作者也更喜欢在规模较小的团队中工作。
2021-10-05 cs.DL cs.IR
Automated Statement Extraction from Press Briefings
科学新闻简报是一个宝贵的信息源。它们由交替的专家演讲、听众提问和他们的回答组成。因此,它们可以为媒体的科学报道和基于事实的报道作出贡献。尽管新闻简报会信息量很大,但提取与个别新闻任务有关的声明是一项挑战,也是一项耗时的工作。为了支持这一任务,提出了一个自动语句提取系统。声明被用作识别新闻简报会记录稿中声明的主要特征。语句提取任务被制定为四个步骤的过程。首先,将新闻简报分成句子和段落,然后通过序列分类识别索赔句。随后,检测主题,过滤句子以提高连贯性并评估语句的长度。结果表明,索赔检测可以用来识别新闻发布会上的声明。虽然许多陈述可以用这个系统自动提取,但它们并不总是连贯一致,不需要上下文就能理解,可能需要有知识的人进一步审查。
2023-02-24 cs.IR
Building a Relation Extraction Baseline for Gene-Disease Associations: A Reproducibility Study
University of Padua(帕多瓦大学)
复制是科学研究中的一项重要任务。研究人员将新开发的系统与最先进的系统进行比较,以评估它们是否取得了突破,这一点至关重要。然而,以前的作品可能无法立即复制,例如由于缺乏源代码。在这项工作中,我们重现DEXTER,系统自动提取基因疾病协会(GDA)从生物医学摘要。我们的目标是提供一个基准,为未来的工作有关关系抽取(RE),使研究人员能够测试和比较他们的结果。
2022-07-04 cs.CL cs.IR q-bio.QM
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
LitXBench: A Benchmark for Extracting Experiments from Scientific Literature
Radical AI
本文提出LitXBench基准测试,用于评估从科学文献中提取实验的方法,通过引入LitXAlloy密集基准,包含1426个测量数据,展示了前沿语言模型在提取实验方面的优越性能。
2026-05-18 cs.IR
EmpiriGraph-Psy: A Dataset and LLM Pipeline for Extracting Empirical Relation Graphs from Psychology Abstracts
University of Warwick(华威大学);Mathematical Sciences Institute, The Australian National University(澳大利亚国立大学数学科学研究所);School of Computer Science, University of Sheffield(谢菲尔德大学计算机学院)
提出变量中心经验图提取任务,构建含210篇心理学摘要的基准数据集EmpiriGraph-Psy,并设计分阶段流水线,最佳配置宏F1达0.74,发现调节关系和概念层次最难提取。
2026-06-06 cs.IR
Comparison of Feature Learning Methods for Metadata Extraction from PDF Scholarly Documents
Fraunhofer Institute for Applied Information Technology FIT(弗劳恩霍夫应用信息技术研究所FIT);University Hospital of Cologne(科隆大学医院);University of Koblenz(科布伦茨大学);Soochow University(苏州大学)
本文比较NLP、CV与多模态特征学习方法在高模板差异PDF学术文档元数据提取中的准确性和效率,为后续研究提供依据。
2025-01-09 cs.CL cs.DL cs.IR