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
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
Self-Supervised Pretraining of Graph Neural Network for the Retrieval of Related Mathematical Expressions in Scientific Articles
TU Dortmund University（多特蒙德工业大学）
由于出版物的增加，搜索相关论文变得繁琐。特别是，不支持跨学科或跨思想流派的搜索。这主要是由于关键字查询的检索：技术术语在不同的科学或不同的时间是不同的。相关文章最好通过其数学问题描述来识别。仅仅看一下论文中的方程就已经暗示了这篇论文是否相关。因此，我们提出了一种基于机器学习的数学表达式检索新方法。我们设计了一个无监督的表示学习任务，结合嵌入学习和自监督学习。使用图卷积神经网络，我们嵌入数学表达式到低维向量空间，允许有效的最近邻查询。为了训练我们的模型，我们从arXiv.org上发布的90多万种出版物中收集了一个巨大的数据集，其中包含超过2900万个数学表达式。我们的经验评估涉及一个新的数据集手动注释的搜索查询显示使用嵌入模型的数学检索的好处。这项工作最初发表在KDD 2020上。
2022-08-22 cs.IR cs.LG
ScisummNet: A Large Annotated Corpus and Content-Impact Models for Scientific Paper Summarization with Citation Networks
Yale University（耶鲁大学）
科学文章摘要具有挑战性：大型注释语料库不可用，摘要应该包括文章对研究社区的影响。本文为这两个挑战提供了新的解决方案。我们1）开发并发布了第一个大规模的人工注释语料库，用于科学论文（关于计算语言学），实现更快的注释，2）提出了整合作者原始亮点（摘要）和文章对社区的实际影响（引用）的摘要方法，以创建全面的混合摘要。我们进行实验，以证明我们的语料库的有效性，在训练数据驱动的模型，科学论文摘要和我们的混合摘要的优势，摘要和传统的基于引用的摘要。我们的大型标注语料库和混合方法为科学论文摘要研究提供了一个新的框架。
2019-09-16 cs.CL cs.IR cs.LG
Improving Scientific Article Visibility by Neural Title Simplification
Universitat Pompeu Fabra（庞培法布拉大学）
科学内容提供方应该向用户提供的数据量迅速增长，这使他们能够创建有效的推荐工具。文章的标题通常是吸引人们注意力的唯一显示元素。我们提供了一种方法来自动生成标题与不同层次的信息，以受益于不同类别的用户。来自ResearchGate的统计数据用于偏置训练数据集和应用于神经序列到序列模型的专门设计的后处理步骤，可以达到所需的各种简化标题，以在推荐的吸引力和透明度之间取得平衡。
2019-04-05 cs.CL cs.IR cs.LG
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
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
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
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
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
CATA++: A Collaborative Dual Attentive Autoencoder Method for Recommending Scientific Articles
University of Missouri（密苏里大学）
推荐系统今天已经成为任何商业网站的重要组成部分。协同过滤方法，特别是矩阵分解（MF）技术，被广泛应用于推荐系统。然而，自然的数据稀疏性问题限制了它们的性能，用户通常与系统中很少的项目进行交互。因此，最近提出了多个混合模型，通过在其学习过程中加入额外的上下文信息来优化MF性能。虽然这些模型提高了推荐质量，但有两个主要方面需要进一步改进：（1）多个模型只关注可用上下文信息的一部分而忽略其他部分;（2）学习侧上下文信息的特征空间需要进一步增强。在本文中，我们介绍了一个合作的双重注意自动编码器（CATA++）推荐科学文章。CATA++利用文章的内容，并通过两个并行的自动编码器学习其潜在空间。我们采用注意力机制来捕捉信息中最相关的部分，以便提出更相关的建议。在三个真实世界数据集上的广泛实验表明，与其他最先进的基于MF的模型相比，我们的双向学习策略显着提高了MF性能。我们的方法的源代码可在https://github.com/jianlin-cheng/CATA上获得。
2020-05-15 cs.IR cs.LG stat.ML
Topic-Centric Unsupervised Multi-Document Summarization of Scientific and News Articles
Wright State University（莱特州立大学）
自然语言处理的最新进展已经实现了广泛任务的自动化，包括机器翻译、命名实体识别和情感分析。然而，文档或文档组的自动摘要仍然难以实现，许多努力仅限于提取关键字、关键短语或关键句子。由于问题的固有困难和训练数据的有限可用性，尚未实现准确的抽象概括。在本文中，我们提出了一个以主题为中心的无监督多文档摘要框架，用于为Microsoft Academic Graph（MAG）中的20个研究领域（FoS）的科学文章和DUC-2004任务2的新闻文章生成提取和抽象摘要。该算法通过开发显著语言单元选择和文本生成技术来生成抽象摘要。我们的方法在自动提取评估指标上进行评估时与最先进的方法相匹配，并且在五个人类评估指标（蕴涵，连贯性，简洁性，可读性和语法）上的抽象摘要中表现得更好。我们在两位共同作者的语言学家之间获得了0.68的Kappa评分，他们评估了我们的结果。我们计划公开分享MAG-20，这是一个人类验证的主题聚类研究文章及其摘要的黄金标准数据集，以促进抽象摘要的研究。
2020-11-03 cs.CL cs.IR cs.LG
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
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
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
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
Scientific Paper Recommendation: A Survey
在全球范围内，推荐服务已经变得非常重要，因为它们支持电子商务应用程序和不同的研究社区。推荐系统在经济、教育、科研等领域有着广泛的应用。不同的实证研究表明，推荐系统比基于关键字的搜索引擎更有效，更可靠地从大量的数据中提取有用的知识。在科学共同体中推荐相似科学论文的问题称为科学论文推荐。科技论文推荐的目的是推荐符合研究者兴趣的新文章或经典文章。它已成为一个有吸引力的研究领域，因为学术论文的数量呈指数级增长。在这篇综述中，我们首先介绍了论文推荐系统的重要性和优势。其次，对基于内容的推荐方法、协同过滤推荐方法、基于图的推荐方法和混合推荐方法进行了综述。然后，我们介绍了不同的推荐系统的评价方法。最后，我们总结了论文推荐系统中存在的问题，包括冷启动、稀疏性、可扩展性、隐私性、偶然性和统一的学术数据标准。本调查的目的是提供有关学术论文推荐的综合评价。
2020-08-10 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
Assigning credit to scientific datasets using article citation networks
引文是一种行之有效的连接科学作品的机制。引文网络用于引文分析有多种原因，突出的是对科学家工作的肯定。然而，由于目前的引用实践，科学家倾向于只引用出版物，而忽略其他类型的工件，如数据集。数据集没有得到适当的信任，即使它们越来越多地被重用和试验。我们开发了一个网络流量测量，称为DataRank，旨在解决这个差距。DataRank根据引文如何流经图表，为网络中的每个节点分配一个相对值，区分出版物和数据集流量。我们通过估计DataRank在预测真实数据集使用方面的准确性来评估其质量：对GenBank的网络访问和Figshare数据集的下载。我们表明，DataRank是更好地预测这种使用相比，替代品，同时提供额外的可解释的结果。我们讨论了对引用行为和算法的改进，以正确地跟踪和分配信贷数据集。
2020-01-16 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
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
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
Scientific Paper Summarization Using Citation Summary Networks
School of Information（信息学院）；University of Michigan（密歇根大学）；Department of EECS（电气工程与计算机科学系）
快速转移到一个新的研究领域是痛苦的研究人员由于大量的科学文献在每个研究领域。克服这个问题的一个可能的方法是总结一个科学主题。在本文中，我们提出了一个模型，总结一篇文章，它可以进一步用于总结整个主题。我们的模型是基于分析别人的观点的目标文章的贡献和研究的引文摘要网络使用聚类方法。
2008-07-10 cs.CL cs.IR
Scientific citations in Wikipedia
基于互联网的百科全书维基百科已经发展成为互联网上访问量最大的网站之一。然而，批评者质疑条目的质量，一项实证研究表明维基百科在2005年的科学条目样本中包含错误。有偏见的报道和缺乏来源是“维基百科的风险”。目前的工作描述了一个简单的评估，这些方面通过检查出站链接从维基百科的文章在科学期刊的文章与期刊引文报告，如影响因子的期刊统计数据进行比较。结果表明，越来越多的使用结构化的引用标记和良好的协议，在科学文献中看到的引用模式，虽然有轻微的倾向，引用高影响力的期刊，如自然和科学的文章。这些结果增加了人们对维基百科作为一个良好的科学信息组织者的信心。
2007-05-15 cs.DL cs.IR
Beyond Single-Dimension Novelty: How Combinations of Theory, Method, and Results-based Novelty Shape Scientific Impact
School of Management, Anhui University（安徽大学管理学院）；Department of Information Management, Nanjing University of Science and Technology（南京理工大学信息管理学院）；School of Information Management, Central China Normal University（华中师范大学信息管理学院）
研究探讨了理论、方法和结果导向创新的组合对科学影响的影响，发现结果导向创新单独存在或与其他类型创新共同存在时，文章被引用更多且更可能进入高引论文行列。
2026-04-14 cs.CL cs.DL 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
BVS Corpus: A Multilingual Parallel Corpus of Biomedical Scientific Texts
Universidade Federal do Rio Grande do Sul（南里奥格兰德联邦大学）；Barcelona Supercomputing Center（巴塞罗那超级计算中心）
BVS数据库（保健虚拟图书馆）是拉丁美洲和加勒比生物医学信息的集中来源，创建于1998年，由BIREME（区域医学图书馆）与泛美卫生组织（OPAS）协调。摘要有英语、西班牙语和葡萄牙语版本，其中一个子集有一种以上的语言版本，因此可能是平行语料库的来源。在这篇文章中，我们提出了平行语料库的发展，从BVS在三种语言：英语，葡萄牙语和西班牙语。使用Hunalign算法自动对齐EN/ES和EN/PT语言对的句子，以及三语文章的子集。我们通过为每个语言对训练神经机器翻译（OpenNMT）系统来展示我们语料库的能力，该系统在科学生物医学文章中的表现优于相关工作。句子对齐也进行了手动评估，在所有语言中平均有96%的句子正确对齐。我们的平行语料库是免费提供的，有关于文章元数据的补充信息。
2019-05-05 cs.CL cs.IR
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。
2020-07-24 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
On the Composition of Scientific Abstracts
科学摘要包含作者认为最能描述文件内容的信息。它们代表了文档信息内容的压缩视图，并允许读者评估文档与特定信息需求的相关性。然而，对其组成知之甚少。本文通过比较科技论文摘要与学术论文正文内容的相似性，有助于理解摘要的结构。更具体地说，使用基于数据的相似性度量，我们量化了摘要中文本重用的现象，并使用七种PLOS期刊上发表的超过85，000篇研究文章的语料库，在IMRaD结构（介绍，方法，结果和讨论）中检查与摘要中的句子相似的句子的位置。我们提供的证据表明，84%的摘要与文章正文至少有一个共同的句子。我们的研究结果还表明，论文中提取抽象句子的部分在PLOS期刊中是不变的，句子主要来自引言的开头和结论的结尾。
2016-04-09 cs.DL cs.IR
EILEEN: A recommendation system for scientific publications and grants
找到相关的科学文章对于推进知识至关重要。推荐系统有助于实现这一目的，尽管它们最近才被应用于科学。本文介绍了EILEEN（LiteraturE Networks的探索性创新者），这是一个用于科学出版物和资助的开源代码和数据集推荐系统。我们描述了EILEEN的架构，用于输入和处理文档，并对推荐系统和关键词估计器进行建模。使用登录用户行为的唯一数据集，我们根据潜在语义分析（LSA）和Elasticsearch的标准排名（Lucene评分）验证了我们的推荐系统。我们发现，使用随机森林的学习排名达到了0.9的AUC，显著优于两个基线。我们的研究结果表明，我们可以大大改善科学推荐，并通过他们的搜索行为了解科学家的行为。我们通过eileen.io提供系统
2022-03-24 cs.DL cs.IR
Patience is all you need! An agentic system for performing scientific literature review
Recursion Pharmaceutical（Recursion制药公司）
针对LLM在专家领域问答中失效的问题，本文构建基于LLM的科学文献搜索与信息提取系统，通过生物学基准问题评估证明稀疏检索无需密集检索即可接近SOTA，并提升了文献综述的相关文档覆盖率。
2025-03-28 cs.AI cs.IR
Metadata Enrichment of Multi-Disciplinary Digital Library: A Semantic-based Approach
Université de Lyon（里昂大学）；Lyon 2（里昂第二大学）；CNRS（法国国家科学研究中心）；CESI EXIA/LINEACT；UJM-Saint-Etienne（圣艾蒂安大学）；Lyon 1（里昂第一大学）
在科学数字图书馆中，来自不同研究社区的一些论文即使具有语义相似的主题，也可以用社区相关的关键字来描述。在任何信息检索系统中，没有用足够的关键字变化标记的文章索引都很差，这限制了科学学科之间潜在的富有成效的交流。在本文中，我们介绍了一种新的实验设计的管道多标签语义为基础的标记开发的开放存取元数据数字图书馆。该方法首先从标准的科学分类和主题标记的文章样本中学习，以找到语义相关的文章，并相应地丰富其元数据。我们提出的管道旨在使研究人员能够接触到来自不同学科的文章，这些学科往往使用不同的术语。它允许检索语义相关的文章给定一个有限的已知变化的搜索条件。除了实现的准确性是高于一个扩展的查询为基础的方法，使用从语义网络中提取的主题同义词集，我们的实验还显示了更高的计算可扩展性与其他可比技术。我们从科学数字图书馆的开放获取元数据中提取了一个新的基准，并将其与实验代码一起发布，以便进一步研究该主题。
2018-06-21 cs.AI cs.CL cs.DL
