Generating Topic Pages for Scientific Concepts Using Scientific Publications
Elsevier(爱思唯尔)
本文提出 Topic Pages 系统,利用 NLP 与 ML 从同行评审科学文献中自动提取概念定义、相关概念和相关片段,构建覆盖20个领域、月均2300万访问的科学概念信息库。
2023-04-24 cs.CL cs.DL cs.IR
A Search Engine for Scientific Publications: a Cybersecurity Case Study
Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD)(高级创新与发展智能工程与计算研究组(GECAD));Porto School of Engineering (ISEP)(波尔图工程学院(ISEP))
网络安全是当今一个非常具有挑战性的研究课题,因为数字化通过连接到它的技术设备和网络增加了互联网上的人,软件和服务的互动。该领域很广泛,在管理,心理学和数据科学等众多学科中有很多未探索的领域。它庞大的学科范围和许多重要的研究课题产生了大量的信息,使我们很难找到我们正在寻找什么时,研究一个特定的主题。这项工作提出了一个新的搜索引擎的科学出版物,结合信息检索和阅读理解算法,以提取答案的收集特定领域的文件。所提出的解决方案,虽然被应用到网络安全的背景下表现出很大的泛化能力,可以很容易地适应其他不同的知识领域下执行。
2021-06-30 cs.AI cs.IR
A measure of similarity between scientific journals and of diversity of a list of publications
本说明的目的是提出一个科学多样性的定义,以及衡量合作的“跨学科性”的标准。相对于以前的研究,所提出的方法包括2个步骤:第一,定义期刊之间的相似性,第二,这些相似性被用来表征出版物列表(可以是一个人或一个团队)的同质性(或相反的多样性)。
2012-10-24 cs.DL cs.IR physics.soc-ph
Decoding Knowledge Claims: The Evaluation of Scientific Publication Contributions through Semantic Analysis
本文提出用松弛词移距离(RWMD)语义相似度评估论文新颖性,并以H指数论文为案例验证其比传统引文指标更能有效追踪科学知识增长与真正创新。
2024-08-31 cs.DL cs.IR
Drugs4Covid: Drug-driven Knowledge Exploitation based on Scientific Publications
Universidad Politécnica de Madrid(马德里理工大学)
在需求增加导致COVID患者缺乏足够药物的情况下,医院药剂师使用了废弃药物或修改了可用药物的剂量。在现有的科学文献中可以找到使用替代药物的一些证据,这些证据可以帮助做出这样的决定。然而,以有效的方式利用大量的文档并不容易,因为药物可能在文本中没有明确的相关性,并且可能在不同的品牌名称下被提及。Drugs 4Covid结合了词嵌入技术和语义网技术,以实现对大型医学文献的药物导向探索。药物和疾病分别根据ATC分类和MeSH类别确定。从CORD-19语料库中已经处理了超过6万篇文章和200万个段落,其中包含COVID-19,SARS和其他相关冠状病毒的信息。已创建了一个开放的药物目录,并通过药物浏览器、关键词引导的文本浏览器和知识图谱公开提供结果。
2020-12-03 cs.AI cs.CL cs.IR
Investigating Dissemination of Scientific Information on Twitter: A Study of Topic Networks in Opioid Publications
评估科学研究价值的一种方法是衡量它在社交媒体上受到的关注。虽然以前的研究主要集中在社交媒体上科学研究的“提及次数”,但目前的研究应用“主题网络”来衡量公众对Twitter上科学研究的关注。主题网络是学术出版物中共同出现的作者关键字网络和提到这些学术出版物的推文中共同出现的主题标签网络。这项研究调查了阿片类学术出版物中的哪些主题在Twitter上受到了公众的关注。此外,它还调查了所有账户(机器人和非机器人账户)发布的出版物生成的主题网络是否与非机器人账户生成的主题网络不同。我们的分析基于2011年至2019年的一组阿片类药物学术出版物以及与之相关的推文。我们使用共现网络分析来生成主题网络。结果表明,Twitter用户大多使用通用术语来讨论阿片类药物出版物,如“阿片类药物”,“疼痛”,“成瘾”,“治疗”,“镇痛剂”,“滥用”,“过量”和“疾病”。“结果证实,主题网络提供了一种合法的方法来可视化与健康相关的学术出版物的公开讨论,以及Twitter用户如何与科学界不同地讨论与健康相关的科学研究。基于所有帐户和非机器人帐户的推文的主题网络之间存在大量重叠。这个结果表明,可能没有必要排除生成主题网络的机器人帐户,因为它们对结果的影响可以忽略不计。
2021-09-02 cs.DL cs.IR cs.SI
Interactive Exploration and Discovery of Scientific Publications with PubVis
随着每年发表的科学论文数量呈指数级增长,用于探索和发现感兴趣的出版物的先进工具变得不可或缺。为了使用户超越简单的关键字搜索,例如由谷歌学术提供,我们提出了新颖的网络应用程序PubVis。它由各种机器学习技术提供支持,结合了基本功能,帮助研究人员找到与他们最相关的内容。大量科学出版物的交互式可视化提供了该领域的概述,并鼓励用户探索超越狭窄研究重点的文章。这是增强了个性化的内容为基础的文章推荐,以及先进的全文搜索,以发现相关的参考。该应用程序的开源实现可以轻松地在台式计算机上本地设置和运行,以提供对针对个人用户特定需求定制的内容的访问。此外,可以在线测试PubVis演示,可以访问10,000篇论文的集合。
2017-06-25 cs.IR
The 'Problematic Paper Screener' automatically selects suspect publications for post-publication (re)assessment
出版后评估仍然是必要的,以检查错误或欺诈性的科学出版物。我们提供了一个在线平台,即“问题论文筛选器”(https://www.irit.fr/Problematic Guillaume. Cabanac/problematic-paper-screener),该平台利用自动机器检测和人工评估来识别和标记已经发表的问题文章。我们提供了一个新的有效的工具来管理科学文献。
2022-10-07 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
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
Predicting the longevity of resources shared in scientific publications
研究表明,文章中共享的大多数资源(例如,代码或数据的URL)不能保持最新,并且大多数在几年后从网络上消失(Zeng等人,2019年)。人们对区分和预测这些资源寿命的因素知之甚少。本文探讨了一系列与出版地点、作者、参考文献以及资源共享地点相关的解释性特征。我们分析了广泛的出版物存储库,并通过网络档案服务,重建他们如何看待在不同的时间点。我们发现,最重要的因素与资源在哪里以及如何共享有关,而作者的声誉或期刊的声望却几乎无法解释。通过研究长期资源共享的地方,我们建议传播和创建现代技术标准至关重要。最后,我们讨论了可重复性和承认科学数据集作为一等公民的影响。
2022-03-24 cs.DL cs.IR
Measuring the relatedness between scientific publications using controlled vocabularies
Danish Centre for Studies in Research and Research Policy, Aarhus University(丹麦大学研究及政策研究中心)
本文提出软余弦和最大术语相似度方法,用于更准确地测量科学出版物之间的相关性,相较于传统余弦相似度方法。
2026-02-16 cs.DL cs.IR cs.SI
Rise of Generative Artificial Intelligence in Science
Manchester Institute of Innovation Research(曼彻斯特创新研究所);Alliance Manchester Business School(Alliance 曼彻斯特商学院);The University of Manchester(曼彻斯特大学);School of Public Policy(公共政策学院);Georgia Institute of Technology(佐治亚理工学院)
本文基于OpenAlex数据实证分析了2017至2023年生成式AI在科学中的崛起,揭示其快速增长、跨学科扩散、地理分布及团队规模略小但国际合作水平与其他AI相当的特征。
2024-12-30 cs.AI cs.CY cs.IR
Daily growth rate of scientific production on Covid-19. Analysis in databases and open access repositories
科学界在解决全球健康问题方面正面临最大的挑战之一:COVID-19大流行。这种情况产生了前所未有的出版物数量。就出版物而言,关于COVID-19的研究数量是多少?这项研究工作的总体目标是在不同的数据库(Dimensions、Web of Science Core Collection、Scopus-Elsevier、Pubmed和八个数据库)中获得关于COVID-19科学生产的每日增长的全球视野。关于所获得的结果,Dimensions索引了总共9435篇出版物(69%有同行评审和2677篇预印本),远高于Scopus(1568)和WoS(718)。这是一个经典的指数增长的胆固醇现象(R2 = 0.92)。全球增长率为500种出版物,产量每15天翻一番。在Pubmed的情况下,每周增长约1000篇出版物。在分析的八个存储库中,Pubmed Central,Medrxiv和SSRN是领导者。尽管它们做出了巨大的贡献,但期刊仍然是科学交流的核心。最后,已确定每四份关于COVID-19的出版物中有三份可开放获取。信息爆炸要求信息专业人员作出认真和协调的反应,这使我们处于信息流行病的中心。
2020-04-14 cs.DL cs.IR stat.OT
Science Concierge: A fast content-based recommendation system for scientific publications
寻找相关的出版物对于那些必须处理呈指数级增长的学术材料的科学家来说非常重要。算法可以帮助完成这项任务,因为它们有助于音乐,电影和产品推荐。然而,我们对这些算法的性能与学术材料知之甚少。在这里,我们开发了一个算法和一个附带的Python库,它实现了一个基于文章内容的推荐系统。设计原则是适应新的内容,提供接近实时的建议,并且是开源的。我们在2015年神经科学学会会议的15K海报上测试了这个库。人类策划的主题用于交叉验证算法中的参数,并产生与人类判断最大程度相关的相似性度量。我们表明,我们的算法显着优于基于关键字的建议。这里介绍的工作承诺使学术材料的探索更快,更准确。
2016-05-12 cs.IR
An Approach to Automatic Indexing of Scientific Publications in High Energy Physics for Database SPIRES HEP
我们介绍了一种基于模式匹配技术的电子印刷品自动索引的方法,该方法广泛使用了我们开发的关联模式字典(APD)。APD中的关键词由自然语言短语组成,其具有与来自受控词汇表的一组关键词相同的语义解释。该方法还允许识别以TeX符号编写的电子印刷品中的公式,这些公式也可能出现为关键字。我们提出了一个自动索引系统,AUTEX,我们已经应用到关键字索引电子印刷品在选定的领域在高能物理(HEP)利用DESY-HEPI词库作为一个控制词汇。
2002-11-28 cs.DL cs.IR
Scientific impact quantity and quality: Analysis of two sources of bibliographic data
试图理解任何科学家的活动在科学的长期轨迹中的后果是科学哲学中最困难的问题之一。由于科学出版物在现代科学事业中发挥着核心作用,文献计量学技术将单个出版物的“影响”作为其从后续作者那里收到的引用数量的函数来衡量,为这个问题提供了一些最有用的经验数据。直到最近,Thompson/ISI一直是影响分析所需的大规模"倒置“书目数据的唯一来源。2004年底,谷歌推出了一项新的服务,GoogleScholar,使大部分相同的数据可用。在这里,我们分析了203篇出版物,被其他4000多篇出版物引用。我们发现这两个服务提供的数据引用计数之间惊人的一致性。跨系统的数据质量进行了分析,并考虑了潜在的有用的互补性。这种数据的多个来源提供的额外的鲁棒性有望增加这些测量的效用,因为开放引用协议和开放获取增加了它们对电子科学出版实践的影响。
2005-04-11 cs.DL cs.IR
Recommending Scientific Literature: Comparing Use-Cases and Algorithms
研究人员活动的一个重要方面是寻找相关和相关的出版物。科学出版物推荐系统的任务是提供符合这些标准的论文列表。基于Mendeley管理的出版物的收集,已经组装了四个数据集,反映了相关性的不同方面。这些相关性场景中的每一个都反映了用户的搜索策略。这些场景是公共团体、场所、作者出版物和用户库。这些数据集中的前三个被公开,供其他研究人员比较算法。三个推荐系统已经实现:一个协同过滤系统;一个基于内容的过滤系统;和这两个系统的混合。测试结果表明,协同过滤略优于基于内容的方法,但在某些情况下失败。混合系统结合了两种推荐方法,提供了最佳性能,准确率高达70%。这表明,这两种技术在推荐科学文献方面都提供了互补信息,不同的方法适合不同的信息需求。
2014-09-04 cs.IR
MexPub: Deep Transfer Learning for Metadata Extraction from German Publications
University of Koblenz-Landau(科布伦茨-兰道大学)
从科学论文中提取元数据可以被认为是NLP中解决的问题,因为最先进的方法具有很高的准确性。然而,这并不适用于德国的科学出版物,它们有各种各样的风格和布局。与大多数遵循标准和简单布局的英语科学出版物相比,德语出版物中元数据的顺序、内容、位置和大小在出版物之间差异很大。这种多样性使得传统的NLP方法无法准确地从这些出版物中提取元数据。在本文中,我们提出了一种方法,提取元数据的PDF文档与不同的布局和风格,通过查看文件作为一个图像。我们使用Mask R-CNN,它在COCO数据集上训练,并与PubLayNet数据集进行了微调,PubLayNet数据集由大约20万个PDF快照组成,具有五个基本类(例如文本,图等)。我们在我们提出的由约30 K文章快照组成的合成数据集上对模型进行了微调,以提取九种模式(即作者,标题等)。我们的合成数据集使用德语和英语两种语言的内容以及从德国出版物中获得的有限的具有挑战性的模板生成。我们的方法实现了$90\%$左右的平均准确度,这验证了它能够从具有挑战性模板的各种PDF文档中准确提取元数据。
2021-06-04 cs.CL cs.CV cs.DL
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
Compare: A Framework for Scientific Comparisons
Compare框架利用检索增强生成和长上下文技术,支持用户定义问题驱动的跨机构与出版物定性比较,超越传统定量指标。
2025-09-08 cs.DL cs.IR
India's rank and global share in scientific research -- how publication counting method and subject selection can vary the outcomes
在过去的二十年里,印度已经成为世界上主要的知识生产者,但不同的报告将其置于不同的位置,从第3位到第9位不等。最近由Elsevier和Clarivate Analytics完成的科学技术部(DST)委托研究报告将印度分别排在第5位和第9位。另一方面,美国国家科学基金会(NSF)的一份独立报告将印度在科学和工程领域的研究成果排名第三。有趣的是,Elsevier和NSF的报告都使用了Scopus的数据,但令人惊讶的是,它们的结果是不同的。因此,本文试图探讨如何使用相同的数据库仍然可以产生不同的结果,由于方法的差异。所使用的出版物计数方法和主题选择方法是导致这些变化的两个主要外部因素。分析结果的影响进行了讨论,特别侧重于政策观点。
2021-03-30 cs.DL cs.IR
The similarity index of scientific publications with equations and formulas, identification of self-plagiarism, and testing of the iThenticate system
本文首次讨论了含有方程和公式的数学和其他科学出版物的相似指数的估计问题。它表明,方程和公式(以及数字,图纸和表格)的存在是一个复杂的因素,显着复杂化的研究,这样的文本。结果表明,基于考虑个别数学符号和部分方程、公式来确定出版物相似性指数的方法是无效的,可能导致错误的甚至完全荒谬的结论。最流行的软件系统iThenticate,目前在科学期刊中使用的可能性,调查检测剽窃和自我剽窃。处理的结果由iThenticate系统的具体例子和特殊的测试问题,包含方程(偏微分方程和常微分方程),精确解,和一些公式。已经确定的是,该软件系统在分析非同质文本时,通常无法区分自剽窃和伪自剽窃(假自剽窃)。被认为是一个模型复杂的情况下,自我剽窃的识别需要一个狭窄的轮廓高素质的专家的参与。提出了各种方法来改善软件系统的工作比较不均匀的文本。这篇文章将是有用的研究人员和大学教师在数学,物理学和工程科学,程序员处理问题的图像识别和研究课题的数字图像处理,以及广泛的读者谁感兴趣的剽窃和自我剽窃的问题。
2021-12-21 cs.DL cs.IR
Community-based Cyberreading for Information Understanding
虽然科学出版物的内容越来越具有挑战性,但有必要研究另一个重要问题,即科学信息理解。对于这个问题,我们研究新的方法,以帮助学者(读者)更好地了解科学出版物,使物理和虚拟合作。对于物理协作,算法将根据读者的个人资料和阅读行为将他们分组在一起,并将在在线阅读组内实现网络阅读协作。对于虚拟协作,我们不是推动读者与他人交流,而是根据他们估计的信息需求对读者进行聚类。对于每个聚类,将生成学习排序模型以推荐读者的社区化资源(即,视频、幻灯片和wiki),以帮助他们了解目标出版物。
2021-03-27 cs.IR
CITEX: A new citation index to measure the relative importance of authors and papers in scientific publications
引文分析的主要目的是评估研究人员的绩效和衡量科学家撰写的论文的影响力。已经为此提出了各种指数和度量。在本文中,我们提出了一个新的引文索引CITEX,它给归一化的分数,作者和论文,以确定他们的排名。据我们所知,这是第一个同时为作者和论文打分的引文索引。使用这些分数,我们可以客观地衡量作者的声誉和论文的影响力。我们将这个问题建模为出版图上的迭代计算,该出版图的顶点是作者和论文,并且其边指示哪个作者写了哪篇论文。我们证明了这种迭代计算收敛于极限,通过使用一个强大的定理从线性代数。我们在几个例子上运行这个算法,发现作者和论文分数与我们的直觉所建议的非常匹配。该算法在理论上是合理的,在实践中运行非常快。我们将该指数与几个现有的指标进行比较,发现CITEX给出了比传统指标更准确的分数。
2015-01-20 cs.DL cs.DM cs.IR