Automatic Extraction of Commonsense LocatedNear Knowledge
Department of Computer Science and Engineering（计算机科学与工程系）；Shanghai Jiao Tong University（上海交通大学）
LocatedNear关系是一种描述现实生活中两个物理对象通常彼此靠近的常识性知识。在本文中，我们研究如何自动提取这种关系，通过一个层次的关系分类器和聚集的评分实体对从一个大的语料库。此外，我们还发布了两个基准数据集，用于评估和未来的研究。
2018-05-13 cs.AI cs.CL
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
Claim Extraction in Biomedical Publications using Deep Discourse Model and Transfer Learning
University of Pennsylvania（宾夕法尼亚大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Syracuse University（雪城大学）
主张是科学论述的基本单位。科学出版物数量的指数增长使得自动索赔提取成为研究人员的一个重要问题，他们被这种信息过载所淹没。这种自动化的索赔提取系统对于人工和程序化探索科学知识都是有用的。在本文中，我们介绍了一个新的数据集，其中包含来自生物医学领域的1,500篇科学摘要，每个句子都有专家注释，表明该句子是否提出了科学主张。我们介绍了一种新的索赔提取模型，并将其与几种基线模型进行了比较，包括基于规则的技术和深度学习技术。此外，我们表明，使用带有微调步骤的迁移学习方法可以提高大型话语注释数据集的性能。与没有迁移学习的基线模型相比，我们的最终模型将F1分数提高了14个百分点以上。我们发布了一个可公开访问的工具，用于话语和索赔预测以及注释工具。我们讨论了生物医学文献之外的进一步应用。
2020-01-16 cs.CL
MeXtract: Light-Weight Metadata Extraction from Scientific Papers
KAUST（科威特科技大学）；SDAIA-KFUPM Joint Research Center for AI, KFUPM（SDAIA-KFUPM联合人工智能研究中心，科威特石油大学）
本文提出MeXtract，一个基于Qwen 2.5微调的轻量级语言模型系列（0.5B-3B参数），在MOLE基准上实现最先进的元数据提取性能，并证明其跨模式泛化能力，同时公开代码、数据和模型。
2025-10-08 cs.CL
How Did This Get Funded?! Automatically Identifying Quirky Scientific Achievements
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
幽默是一种重要的社会现象，具有复杂的社会和心理功能。然而，尽管幽默被研究了几千年，但在计算上并没有得到很好的理解，通常被认为是一个人工智能完全问题。在这项工作中，我们介绍了幽默挖掘的一个新的设置：自动检测有趣和不寻常的科学论文。我们的灵感来自搞笑诺贝尔奖，这是一个讽刺性的奖项，每年颁发一次，以庆祝有趣的科学成就（例如过去的获奖者：“奶牛站得越久，就越有可能躺下吗？").这个具有挑战性的任务具有独特的特征，使其特别适合自动学习。我们构建了一个包含数千篇有趣论文的数据集，并将其用于学习分类器，将心理学和语言学的研究结果与NLP的最新进展相结合。我们使用我们的模型来识别超过630，000篇文章的大型数据集中可能有趣的论文。结果证明了我们的方法的潜力，以及更广泛地将最先进的NLP方法与来自更传统学科的见解相结合的实用性。
2021-06-06 cs.AI cs.CL
Identification of Tasks, Datasets, Evaluation Metrics, and Numeric Scores for Scientific Leaderboards Construction
IBM Research – Ireland（IBM研究院（爱尔兰））
虽然新任务和新数据集的快节奏开始有助于促进社区中朝着有趣方向的积极研究，但跟踪不同数据集上不同领域的大量研究活动可能会变得越来越困难。社区可以大大受益于能够总结科学结果的自动系统，例如，以排行榜的形式。在本文中，我们建立了两个数据集，并开发了一个框架（TDMS-IE），旨在自动提取任务，数据集，指标和得分从自然语言处理论文，自动建设的排行榜。实验表明，我们的模型优于几个基线的大幅度。我们的模型是自动排行榜建设的第一步，例如，在NLP领域。
2019-06-21 cs.AI cs.CL
CoastTerm: a Corpus for Multidisciplinary Term Extraction in Coastal Scientific Literature
University of La Rochelle（拉罗谢尔大学）；Jožef Stefan International Postgraduate School（约热夫·斯泰凡国际研究生院）；Jožef Stefan Institute（约热夫·斯泰凡研究所）
本文构建包含410篇沿海科学摘要、2,491个句子的CoastTerm语料库，并基于ARDI框架使用单语与多语transformer完成ATE和ATC，F1分别约达80%和70%。
2024-06-13 cs.CL
BibRank: Automatic Keyphrase Extraction Platform Using~Metadata
Institute of Computer Science（计算机科学研究所）；University of Tartu（塔尔图大学）
本文提出BibRank平台，集成关键词数据集并利用BibTeX元数据，结合位置、统计及词共现加权技术，实现自动关键词提取与算法评估，助力NLP研究。
2023-10-13 cs.CL
Unsupervised Key-phrase Extraction and Clustering for Classification Scheme in Scientific Publications
Ericsson AB（爱立信公司）；Uppsala University（乌普萨拉大学）
已经探索了几种方法来自动化系统映射（SM）和系统评价（SR）方法的一部分。挑战通常围绕文本语义理解的差距以及缺乏弥合这一差距所需的领域和背景知识而演变。在本文中，我们研究可能的方法自动化部分SM/SR过程，即提取关键字和关键短语从科学文献中使用无监督的方法，然后使用语义关键短语聚类技术作为基础，构建相应的分类方案。具体而言，我们探讨了集成分数测量在关键短语提取中的作用，我们探讨了基于语义网络的词嵌入在短语语义的嵌入表示中的作用，最后我们还探讨了如何使用聚类来对相关的关键短语进行分组。评估是在与“可解释的人工智能”领域有关的出版物数据集上进行的，我们使用标准的公开数字图书馆和索引术语（关键词）集构建了该数据集。实验结果表明：集成排序得分确实提高了关键词提取的性能。基于ConceptNet语义网络的基于语义网络的词嵌入与上下文化的词嵌入具有相似的性能，但是前者的计算效率更高。最后，在术语级进行语义关键词聚类，可以将相似的术语聚集在一起，从而适合于分类方案。
2021-02-08 cs.CL
NSF-SciFy: Mining the NSF Awards Database for Scientific Claims
University of Pennsylvania（宾夕法尼亚大学）
提出NSF-SciFy数据集，从40万篇NSF摘要中提取280万条科学主张，通过零样本提示联合提取主张和研究提案，并在三个下游任务中微调语言模型取得显著提升。
2026-05-25 cs.CL
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
All Data on the Table: Novel Dataset and Benchmark for Cross-Modality Scientific Information Extraction
Nankai University（南开大学）；Tokyo Institute of Technology（东京工业大学）；Microsoft Research Asia（微软亚洲研究院）；Beijing Academy of Artificial Intelligence (BAAI)（北京人工智能研究院（BAAI））
针对现有科学信息抽取数据集多为单模态、仅覆盖论文特定部分的问题，该研究提出半监督迭代标注流水线，发布跨模态SciIE基准、大规模语料库及标注工具，并验证了方法有效性与大模型的任务潜力。
2023-12-18 cs.CL
Peacemaker at ATE-IT: Automatic term extraction from Italian text for waste management data using encoder model
Department of Computer Science, University of Tabriz（塔布里兹大学计算机科学系）；University of Tabriz（塔布里兹大学）
针对ATE共享任务中的Task A，提出一种低计算成本、可解释的自动术语提取方法，通过微调编码器模型在少量资源上实现平衡性能，为低资源模型提供起点。
2026-05-31 cs.CL
AxCell: Automatic Extraction of Results from Machine Learning Papers
Facebook AI Research (FAIR)（Facebook人工智能研究院（FAIR））；n-waves；University College London (UCL)（伦敦大学学院（UCL））；DeepMind
随着最近论文数量的爆炸式增长，跟踪机器学习的进展变得越来越困难。在本文中，我们提出了AxCell，一个自动机器学习管道，用于从论文中提取结果。AxCell使用了几个新的组件，包括一个表格分割子任务，来学习有助于提取的相关结构知识。当与现有的方法相比，我们的方法显着提高了最先进的结果提取。我们还发布了一个结构化的、带注释的数据集，用于训练模型进行结果提取，以及一个用于评估模型在此任务上的性能的数据集。最后，我们展示了我们方法的可行性，使其能够用于生产中的半自动结果提取，这表明我们的改进首次使这项任务切实可行。代码可以在GitHub上找到。
2020-04-29 cs.CL stat.ML
ComProScanner: A multi-agent based framework for composition-property structured data extraction from scientific literature
Energy, Materials and Environment Research Centre, London South Bank University, London SE1 0AA, UK.（能源、材料与环境研究中心，伦敦南银行大学）；Bioscience and Bioengineering Research Centre, London South Bank University, London SE1 0AA, UK.（生物科学与生物工程研究中心，伦敦南银行大学）；Department of Physics, Kings College London, London WC2R 2LS, UK.（物理系，国王学院伦敦）
针对科学文献中复杂实验数据提取工具稀缺的问题，本文提出多智能体框架ComProScanner，实现成分-性质数据提取、验证与可视化，在100篇论文和10种LLM评估中，DeepSeek-V3-0324取得0.82的最高准确率。
2025-10-23 cond-mat.mtrl-sci cs.LG physics.comp-ph
TDMSci: A Specialized Corpus for Scientific Literature Entity Tagging of Tasks Datasets and Metrics
IBM Research Europe（IBM欧洲研究院）
任务、数据集和评估集是理解实验科学论文的重要概念。然而，大多数先前关于科学文献的信息抽取的工作主要集中在摘要上，并且没有将数据集视为单独类型的实体（Zadeh和Schumann，2016; Luan等人，2018年）。在本文中，我们提出了一个新的语料库，其中包含从NLP论文中提取的2,000个句子的任务（T），数据集（D），度量（M）实体的领域专家注释。我们报告了使用简单的数据增强策略进行TDM提取的实验结果，并将我们的标记器应用于ACL Anthology中的约30，000篇NLP论文。该语料库向社区公开提供，以促进对科学出版物摘要的研究（Erera等人，2019年）和知识发现。
2021-01-25 cs.CL
Large-scale dataset of automatically classified rhetorical sections in scientific papers
Graduate School of Education, Stanford University（斯坦福大学教育研究生院）；Center for Social Data Science (SODAS), University of Copenhagen（哥本哈根大学社会科学数据科学中心）；Networks, Data, and Society (NERDS), IT University of Copenhagen（哥本哈根IT大学网络、数据与社会中心）；Pioneer Centre for Artificial Intelligence (P1), Denmark（丹麦先锋人工智能中心）；Complexity Science Hub, Austria（奥地利复杂科学中心）
该研究利用基于规则的分类算法，对语义学者开放研究语料库中的数百万篇科学论文进行质量筛选和标注，构建了一个数据集，可助力大规模科学话语和写作模式的计算研究。
2026-07-07 cs.CL cs.DL
Automatic Extraction of Tagset Mappings from Parallel-Annotated Corpora
本文介绍了AMALGAM项目（词汇语法标注模型之间的自动映射）的一些最新工作。我们正在研究如何映射之间的领先语料库注释方案，以提高其resuability。将所有包含的语料库整理成单个大型注释语料库将为语音和手写识别等任务提供更详细的语言模型。特别是，我们专注于从语料库中提取映射的方法，已根据一个以上的注释方案进行注释。
1995-06-08 cmp-lg cs.CL
Automatic generation of reviews of scientific papers
National Research University Higher School of Economics（国家研究型高等经济学院）；Université de Lorraine（洛林大学）；Sechenov Institute of Evolutionary Physiology and Biochemistry RAS（俄罗斯科学院谢切诺夫进化生理学和生物化学研究所）；Saint Petersburg State University（圣彼得堡国立大学）；JetBrains Research（JetBrains研究院）
随着每年发表的科学论文数量的不断增加，研究人员越来越难以探索他们不熟悉的领域。这极大地抑制了跨学科研究的潜力。传统上，对某一领域的介绍可能会以综述论文的形式出现。然而，并非所有领域和分领域都有现行审查。在本文中，我们提出了一种方法，自动生成的评论论文对应于一个用户定义的查询。该方法包括两个主要部分。第一部分通过文献计量学参数（如共引图）确定该领域的关键论文。第二阶段使用基于BERT的架构，我们对现有的评论进行训练，以提取这些关键论文的摘要。我们描述了我们的方法和一些实施细节的一般管道，并提出了自动和专家评估的PubMed数据集。
2020-10-08 cs.LG
Automatic Extraction of Subcategorization from Corpora
我们描述了一种新的技术和实现系统，从文本语料库构建一个次范畴化词典。每一个字典条目编码的相对频率出现的一套全面的次范畴化类的英语。最初的实验，14个动词的样本，表现出多种互补模式，表明该技术实现的准确性相比，以前的方法，这都是有限的一组高度限制的次范畴化类。我们还表明，与系统建立的子分类字典提高了相当数量的分析器的准确性。
1997-02-04 cmp-lg cs.CL
Scientific and Technological Text Knowledge Extraction Method of based on Word Mixing and GRU
知识抽取的任务是从非结构化文本数据中抽取三元关系（头实体-关系-尾实体）。现有的知识提取方法分为“流水线”方法和联合提取方法。“流水线”方法是将命名实体识别和实体关系抽取分离，使用各自的模块进行抽取。这种方法虽然具有较好的灵活性，但训练速度较慢。联合抽取的学习模型是通过神经网络实现的端到端模型，同时实现实体识别和关系抽取，能够很好地保留实体和关系之间的关联，将实体和关系的联合抽取转化为序列标注问题。提出一种基于词混合和GRU的科技资源知识抽取方法，结合词混合向量映射方法和自注意力机制，有效提高中文科技资源文本关系抽取的效果。
2022-03-31 cs.AI cs.CL
Exploring LLMs for Scientific Information Extraction Using The SciEx Framework
本文提出SciEx框架，通过解耦关键组件提升科学信息提取的准确性和一致性，评估结果显示其在多科学领域中的有效性。
2026-01-23 cs.AI cs.CL
In Layman's Terms: Semi-Open Relation Extraction from Scientific Texts
Heriot-Watt University（赫瑞-瓦特大学）
科技文本的信息抽取可以引导读者获取科技文献的核心信息。但是，狭义的IE系统只能提取所捕获信息的一小部分，而开放的IE系统在科学文本中遇到的长而复杂的句子上表现不佳。在这项工作中，我们结合这两种类型的系统的输出，实现半开放的关系抽取，一个新的任务，我们在生物学领域探索。首先，我们提出了聚焦开放生物信息抽取（FOBIE）数据集，并使用FOBIE训练一个国家的最先进的狭窄的科学IE系统，以提取权衡关系和论点，是中央生物学文本。然后，我们运行两个狭窄的IE系统和一个国家的最先进的开放IE系统上的语料库的10K开放获取的科学生物学文本。我们发现，大量（65%）的错误和无信息的开放IE提取可以使用窄IE提取过滤。此外，我们发现，保留提取显着更经常为读者提供信息。
2020-05-26 cs.CL
Keyword Extraction in Scientific Documents
ETH Zurich（苏黎世联邦理工学院）；SUPSI（瑞士南部应用科学与艺术大学）；HE-Arc（阿尔高等工程学院）；Dalle Molle Institute for Artificial Intelligence USI-SUPSI（USI-SUPSI达尔·莫勒人工智能研究所）
科学出版物的产量呈指数级增长。因此，跟踪趋势和变化越来越具有挑战性。理解科学文献是知识图谱构建、文本挖掘和学科分类等下游任务的重要步骤。在这个研讨会中，我们提供了一个更好的理解关键字和关键短语提取从摘要的科学出版物。
2022-07-07 cs.CL
Scientific Relation Extraction with Selectively Incorporated Concept Embeddings
University of Washington（华盛顿大学）
本文介绍了我们提交的SemEval 2018任务7共享任务，即科学论文中的语义关系抽取和分类。我们扩展了（Miwa和Bansal）的端到端关系抽取模型，并增强了字符级编码注意力机制，以选择预训练的概念候选嵌入。我们的正式提交在关系分类任务（Subtask 1.1和Subtask 2 Senerio 2）中排名第二，在关系抽取任务（Subtask 2 Scenario 1）中排名第一。
2018-08-26 cs.CL cs.IR
A Joint Learning Approach based on Self-Distillation for Keyphrase Extraction from Scientific Documents
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Adobe Research（奥多比研究院）
关键词提取是提取最能描述文档的一小部分短语的任务。用于该任务的大多数现有基准数据集通常具有有限数量的注释文档，这使得训练日益复杂的神经网络具有挑战性。相比之下，数字图书馆在线存储了数百万篇科学文章，涵盖了广泛的主题。虽然这些文章中有很大一部分包含作者提供的关键词，但大多数其他文章缺乏这种注释。因此，为了有效地利用这些大量的未标记的文章，我们提出了一个简单而有效的联合学习方法的思想的基础上的自蒸馏。实验结果表明，我们的方法始终提高了关键词提取的基线模型的性能。此外，我们的最佳模型优于以前的任务方法，在两个公共基准测试中获得了最新的结果：Inspec和SemEval-2017。
2020-10-22 cs.CL cs.LG
Can AI Extract Antecedent Factors of Human Trust in AI? An Application of Information Extraction for Scientific Literature in Behavioural and Computer Sciences
CSIRO Data61（联邦科学与工业研究组织数据61部）
本研究从科学文献中提取影响人类对AI信任的因素，创建首个标注数据集，并基准测试大语言模型，发现该任务需监督学习，提示式LLM尚不可行。
2024-12-16 cs.AI cs.CL
Entity Recognition and Relation Extraction from Scientific and Technical Texts in Russian
A.P. Ershov Institute of Informatics Systems SB RAS（俄罗斯科学院西伯利亚分院A.P.叶尔绍夫信息系统研究所）；Novosibirsk State University（新西伯利亚国立大学）
本文主要研究信息技术类科技文本的信息抽取（实体识别和关系分类）方法。科学出版物为尖端科学进步提供了宝贵的信息，但有效处理越来越多的数据是一项耗时的任务。在本文中，提出了几个修改的方法，俄语。它还包括比较关键词提取方法、词汇方法和基于神经网络的一些方法的实验结果。这些任务的文本集以英文形式存在，并被科学界积极使用，但目前，俄文的此类数据集尚未公开。在本文中，我们提出了一个语料库的科学文本在俄罗斯，RuSERRC。该数据集由1600个未标记的文档和80个标记有实体和语义关系（考虑了6种关系类型）的文档组成。数据集和模型可在https://github.com/iis-research-team上获得。我们希望它们能对信息抽取系统的研究和开发有所帮助。
2020-12-26 cs.CL
Knowledge AI: Fine-tuning NLP Models for Facilitating Scientific Knowledge Extraction and Understanding
Georgia Institute of Technology（佐治亚理工学院）
该研究提出 Knowledge AI 框架，通过科学领域数据微调 LLM，以提升摘要、生成、问答和命名实体识别能力，支持非专业人员进行科学知识查询与发现。
2024-08-04 cs.AI cs.CL
SEAL: Scientific Keyphrase Extraction and Classification
Indian Institute of Technology, Gandhinagar（甘地纳加尔印度理工学院）
自动科学关键词提取是一个具有挑战性的问题，促进一些下游的学术任务，如搜索，推荐和排名。在本文中，我们介绍了SEAL，自动关键词提取和分类的学术工具。关键短语提取模块包括两级神经架构，其由用条件随机场增强的双向长短期记忆细胞组成。分类模块包括随机森林分类器。我们进行了广泛的实验，以展示系统的鲁棒性。我们评估了多个最先进的基线，并显示出显着的改善。目前的系统托管在http://lingo.iitgn.ac.in:5000/。
2020-06-05 cs.CL cs.IR
CitationIE: Leveraging the Citation Graph for Scientific Information Extraction
Carnegie Mellon University（卡内基梅隆大学）
从科学文献中自动提取关键信息有可能帮助科学家更有效地工作，加快科学进步的步伐。先前的工作已经考虑从原始科学文本中提取文档级实体集群和端到端关系，这可以改善文献搜索并帮助识别给定问题的方法和材料。尽管这项任务的重要性，大多数现有的科学信息抽取（SciIE）的作品认为提取仅仅基于个别文件的内容，而不考虑文件的地方，在更广泛的文献。与之前的工作相比，我们通过利用文档上下文的补充来源来增强我们的文本表示：引用和引用论文之间的引用链接的引用图。在英语科学文献的测试集上，我们表明，利用引文图的结构和内容的简单方法可以在不同的科学信息抽取任务中获得显着的收益。当这些任务相结合，我们观察到一个相当大的改进，在端到端的信息抽取的国家的最先进的，这表明沿着这个方向的未来工作的潜力。我们发布软件工具，以促进引文感知SciIE的开发。
2021-06-03 cs.CL cs.DL
Scientific Information Extraction with Semi-supervised Neural Tagging
University of Washington（华盛顿大学）
本文讨论了从科学文章中提取关键词并将其分类为对应于任务，过程或材料的问题。我们把问题转化为序列标记，并将半监督方法引入神经标记模型，该模型建立在命名实体识别的最新进展基础上。由于注释的训练数据是稀缺的，在这个领域，我们引入了一个基于图的半监督算法与数据选择方案，以利用未注释的文章。在2017年SemEval任务10 ScienceIE任务中，归纳和转导半监督学习策略的表现优于最先进的信息抽取性能。
2017-08-21 cs.CL
Open Information Extraction on Scientific Text: An Evaluation
Elsevier Labs（爱思唯尔实验室）
开放式信息抽取（Open Information Extraction，OIE）是从文本中无监督地创建结构化信息的任务。OIE通常用作许多下游任务的起点，包括知识库构建、关系抽取和问答。虽然OIE的方法旨在独立于领域，但它们主要是在报纸、期刊或一般网络文本上进行评估的。在这篇文章中，我们评估了OIE对来自10个不同学科的科学文本的性能。为此，我们使用了两个采用众包方法的最先进的OIE系统。我们发现，OIE系统的表现显着更差的科学文本，而不是非专业文本。我们还提供了错误分析，并提出了减少错误的工作领域。我们的句子和判决的语料库是可用的。
2018-06-04 cs.CL
Investigating Deep-Learning NLP for Automating the Extraction of Oncology Efficacy Endpoints from Scientific Literature
AstraZeneca（阿斯利康）；Linguamatics, an IQVIA business（IQVIA旗下Linguamatics公司）
针对科学文献中肿瘤学疗效终点人工提取效率低、易出错的问题，研究团队开发优化了基于机器学习的提取框架，可预测25类疗效终点，在测试集和两个案例研究中F1值分别达96.4%、93.9%和93.7%，与专家结果高度一致，有望加速临床试验设计。
2023-11-03 cs.AI cs.CL
A system for information extraction from scientific texts in Russian
A.P. Ershov Institute of Informatics Systems, Siberian Branch, Russian Academy of Sciences（俄罗斯科学院西伯利亚分院 A.P. 叶尔绍夫信息系统研究所）；Novosibirsk State University（新西伯利亚国立大学）
在本文中，我们提出了一个系统的信息抽取从科学文本中的俄语。该系统以端到端的方式执行几项任务：术语识别，术语之间的关系提取，以及术语与知识库中的实体的链接。这些任务对于信息检索、推荐系统和分类是极其重要的。所实现的方法的优点在于，系统不需要大量的标记数据，这节省了数据标记的时间和精力，因此可以应用于低和中等资源设置。源代码是公开的，可用于不同的研究目的。
2021-09-14 cs.CL
Automatic extraction of paraphrastic phrases from medium size corpora
本文提出了一个通用的系统，旨在获取释义短语从一个有代表性的语料库。为了减少用于NLP系统（例如信息抽取，IE）的资源的详细描述所花费的时间，我们建议使用机器学习系统，该系统有助于定义新的模板和相关的资源。这些知识是从文本集合中自动获得的，与大型语义网络进行交互。
2005-09-28 cs.AI cs.CL
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
Journal Name Extraction from Japanese Scientific News Articles
Toyohashi University of Technology（丰桥技术科学大学）
在日本的科学新闻文章中，虽然对研究结果进行了明确的描述，但文章的来源往往是不被引用的。这使得读者很难了解研究的细节。在本文中，我们解决的任务，从日本的科学新闻文章中提取期刊名称。我们假设，一个期刊名称很可能出现在一个特定的上下文中。为了支持这一假设，我们构建了一个基于字符的方法，并使用该方法提取期刊名称。此方法仅使用日志名称的左右上下文特征。期刊名称提取的结果表明，分布假设在识别期刊名称中起着重要的作用。
2019-06-11 cs.CL
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
SciEvent: Benchmarking Multi-domain Scientific Event Extraction
Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出多领域科学事件抽取基准SciEvent，通过统一事件模式标注500篇跨五领域摘要，将SciIE定义为分段与触发词论元抽取两阶段流水线，实验揭示现有模型在社科人文领域存在性能差距。
2025-09-19 cs.CL
Unsupervised Keyphrase Extraction from Scientific Publications
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
我们提出了一种新的无监督的关键词提取方法，过滤候选关键字使用离群检测。它首先在目标文档上训练词嵌入，以捕获词之间的语义重叠。然后，它使用最小协方差行列式估计器来模拟非关键短语词向量的分布，假设这些向量来自相同的分布，表明它们与学习向量表示的维度所表达的语义无关。候选关键短语仅由被检测为该主导分布的离群值的单词组成。实证结果表明，我们的方法优于国家的最先进的和最近的无监督关键词提取方法。
2020-07-12 cs.CL
SIRIUS-LTG-UiO at SemEval-2018 Task 7: Convolutional Neural Networks with Shortest Dependency Paths for Semantic Relation Extraction and Classification in Scientific Papers
University of Oslo（奥斯陆大学）
本文介绍了用于SemEval 2018任务7的SIRIUS-LTG-UiO系统，任务7是科学论文中的语义关系抽取和分类。首先提取两个实体之间的最短依赖路径（SDP），然后引入一个卷积神经网络（CNN），以最短依赖路径嵌入为输入，对共享任务的每个子任务执行不同目标的关系分类。这种方法实现了整体的F1得分为76.7和83.2的关系分类干净和嘈杂的数据，分别。此外，对于组合的关系抽取和分类干净的数据，它得到的F1得分为37.4和33.6的每个阶段。我们的系统在共享任务的所有三个子任务中排名第三。
2018-04-24 cs.CL
Scientific Discourse Tagging for Evidence Extraction
University of Texas at Dallas（德克萨斯大学达拉斯分校）；Chan Zuckerburg Initiative（陈和扎克伯格倡议）；University of California Los Angeles（加州大学洛杉矶分校）
该研究将生物医学领域预训练的深度表示学习用于科学语篇标注与证据片段提取，验证了标注器的最优性能与可迁移性，以及语篇标签对下游任务的助益，为提升科学主张质量提供了新路径。
2021-01-25 cs.CL
A Scientific Information Extraction Dataset for Nature Inspired Engineering
Heriot-Watt University（赫瑞-瓦特大学）
大自然激发了从机器人到航空航天工程和医疗设备制造等应用领域的各种突破性技术发展。然而，获取科学生物学文本中捕获的信息是一项耗时且艰巨的任务，需要特定领域的知识。改善外部人员的访问可以帮助跨学科研究，如自然启发工程。本文描述了一个由1,500个手动注释的句子组成的数据集，这些句子表达了科学生物学文本中中心概念之间的领域独立关系，例如权衡和相关性。这些关系的参数可以是多词表达式，并且已经用修饰短语注释以形成非投影图。该数据集允许训练和评估关系抽取算法，该算法旨在对科学生物学文档进行粗粒度分类，从而为工程师提供高级别过滤器。
2020-05-26 cs.CL
Enhancing Keyphrase Extraction from Long Scientific Documents using Graph Embeddings
Comillas Pontifical University（科米亚斯宗座大学）；Bloomberg（彭博社）
本研究提出一种图增强序列标注架构，通过图卷积网络生成的图嵌入来增强预训练语言模型的上下文表示，显著提升了长科学文档中关键短语抽取的F1分数。
2023-05-16 cs.AI cs.CL
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
Counts@IITK at SemEval-2021 Task 8: SciBERT Based Entity And Semantic Relation Extraction For Scientific Data
Indian Institute of Technology Kanpur (IIT Kanpur)（印度理工学院坎普尔分校）
本文介绍了SemEval 2021任务8（MeasEval）系统。MeasEval是一种新的跨度提取、分类和关系抽取任务，专注于查找量、这些量的属性和附加信息，包括相关的测量实体、属性和测量上下文。我们提交的系统在排行榜上排名第五（团队排名），由SciBERT和[CLS]令牌嵌入和CRF层组成。我们还在Quantity（tied）和Unit子任务中排名第一，在MeasuredEntity，Modifier和Quantifies子任务中排名第二，在Quantifier子任务中排名第三。
2021-04-03 cs.CL
Context Selection for Hypothesis and Statistical Evidence Extraction from Full-Text Scientific Articles
Pennsylvania State University（宾夕法尼亚州立大学）；Old Dominion University（旧 Dominion 大学）
本文研究了从全文科学文章中提取假设及其支持统计证据的挑战，通过两阶段检索与提取框架，发现针对性上下文选择能提升假设提取效果，但统计证据提取仍面临较大困难。
2026-03-22 cs.AI cs.CL cs.DL
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
Structured information extraction from complex scientific text with fine-tuned large language models
University of California, Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
从非结构化文本中智能地提取和链接复杂的科学信息是一项具有挑战性的工作，特别是对于那些没有自然语言处理经验的人来说。在这里，我们提出了一个简单的序列到序列的方法来联合命名实体识别和关系抽取的复杂层次信息的科技文本。该方法利用了预训练的大语言模型（LLM）GPT-3，该模型在大约500对提示（输入）和完成（输出）上进行了微调。信息可以从摘要/段落中的单个句子或跨句子提取，输出可以作为简单的英语句子或更结构化的格式（如JSON对象列表）返回。我们证明，以这种方式训练的LLM能够准确地提取复杂的科学知识的有用记录，在材料化学中的三个代表性的任务：连接掺杂剂与其主体材料，编目金属有机框架，和一般的化学/相/形态/应用信息抽取。这种方法代表了一种简单，可访问的，高度灵活的路线，以获得大型数据库的结构化知识提取非结构化文本。在线演示可在http://www.matscholar.com/info-extraction上获得。
2022-12-10 cond-mat.mtrl-sci cs.CL
From Weak Task Specifications to Scientific Extraction Agents: Optimizing Task Construction
University of Science and Technology of China（中国科学技术大学）；State Key Laboratory of Cognitive Intelligence（认知智能全国重点实验室）；CCCC Second Highway Consultants Co., Ltd.（中交第二公路勘察设计研究院有限公司）
针对科学提取智能体，提出从弱任务规范自动构建任务配置并持续优化的框架，在异质催化文献上验证了联合优化模式与指令的有效性。
2026-09-29 cs.CL
External Evaluation of Event Extraction Classifiers for Automatic Pathway Curation: An extended study of the mTOR pathway
本文评估了各种事件提取系统对自动路径策展使用流行的mTOR途径的影响。我们量化了训练数据集以及不同的机器学习分类器的影响，并表明有些分类器提高了自动提取路径的质量。
2017-07-07 cs.CL
ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select
Georgia Institute of Technology（佐治亚理工学院）；Adobe Research（奥多比研究院）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；BioMap（百图生科）
研究了从科技论文中抽取N元关系元组的问题。这个任务是具有挑战性的，因为目标知识元组可以驻留在文档的多个部分和模态中。我们提出的方法ReSel将此任务分解为两个阶段的过程，首先检索最相关的段落/表，然后从检索到的组件中选择目标实体。对于高级检索阶段，ReSel设计了一个简单有效的特征集，它捕获查询和组件之间的多层次词汇和语义相似性。对于低级选择阶段，ReSel设计了一个跨模态的实体相关图以及一个多视图架构，该架构对实体之间的语义和文档结构关系进行建模。我们在三个科学信息抽取数据集上的实验表明，ReSel的性能明显优于最先进的基线。
2022-10-26 cs.CL
SciER: An Entity and Relation Extraction Dataset for Datasets, Methods, and Tasks in Scientific Documents
Temple University（天普大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文发布 SciER 数据集，包含106篇全文科学论文、2.4万余个实体、1.2万余条关系及分布外测试集，用于评估科学文献中数据集、方法与任务的实体关系抽取。
2024-10-28 cs.CL
