Extracting Information from Scientific Literature via Visual Table Question Answering Models
本研究探索三种科学论文表格数据处理方法以增强抽取式问答并开发系统综述工具，实验显示保留表格结构的方法最优，强调结构完整性对问答准确性的关键作用。
2025-08-26 cs.IR
Towards the Improvement of Automated Scientific Document Categorization by Deep Learning
University of Hagen（哈根大学）
这篇硕士论文描述了一种使用深度学习技术对科学文档进行自动分类的算法，并将其结果与现有分类算法的结果进行了比较。作为一个额外的目标，一个可重复使用的API将被开发，允许在现有的软件中的分类任务的自动化。将提出使用卷积神经网络作为分类器并将其集成到基于REST的API中的设计。然后，这是作为一个实际的概念实现证明的基础，以及在这篇论文中。它将表明，深度学习分类器在多类文档分类的上下文中提供了非常好的结果，并且可以使用基于REST的服务将这些分类器集成到更大的生态系统中。
2017-06-18 cs.CL cs.IR
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
Keyphrase Generation for Scientific Document Retrieval
LS2N, Université de Nantes（南特大学LS2N实验室）；National Institute of Informatics（国立信息学研究所）
序列到序列模型在关键词生成方面取得了重大进展，但它们是否足够可靠以有利于文档检索仍然是未知的。这项研究提供了经验证据表明，这样的模型可以显着提高检索性能，并介绍了一个新的外在评估框架，允许更好地了解关键词生成模型的局限性。使用这个框架，我们指出并讨论了补充文档中遇到的困难-不存在文本-关键词，并概括模型跨域。我们的代码可在https://github.com/boudinfl/ir-using-kg上获得
2021-06-28 cs.CL cs.IR
A Search/Crawl Framework for Automatically Acquiring Scientific Documents
尽管在搜索引擎功能、排名方法、技术和可编程API的可用性方面取得了进步，但当今的开放存取数字图书馆仍然依赖于基于抓取的方法来获取其底层文档集合。在本文中，我们提出了一种新的搜索驱动的框架，用于获取科学门户网站的文件。在我们的框架内，公开的研究论文标题和作者姓名被用作Web搜索引擎的查询。接着，使用精确的分类模块从搜索结果中识别研究论文和研究论文的来源。我们的实验不仅突出了我们的个人分类器的性能，而且我们的整体搜索/爬行框架的有效性。事实上，我们能够通过我们的全自动框架使用约7.6万个查询获得约66.5万份研究文档。这些多产的结果将Web搜索定位为抓取方法的有效替代方案，用于获取实际文档和种子URL以供将来抓取。
2016-04-18 cs.DL cs.IR
ICDAR 2021 Competition on Scientific Literature Parsing
科学文献包含与不同领域的尖端创新有关的重要信息。自然语言处理的发展推动了科技文献自动信息抽取的快速发展。然而，科学文献通常以非结构化PDF格式提供。虽然PDF非常适合保存基本的视觉元素，如字符、线条、形状等，在用于向人类呈现的画布上，机器对PDF格式的自动处理提出了许多挑战。现有超过2.5万亿个PDF文档，这些问题在许多其他重要的应用领域也很普遍。我们的ICDAR 2021科学文献解析竞赛（ICDAR 2021-SLP）旨在推动文档理解方面的进步。ICDAR 2021-SLP利用PubLayNet和PubTabNet数据集，提供数十万个训练和评估示例。在任务A“文档布局识别”中，具有最高性能的提交将目标检测与针对不同类别的专业解决方案相结合。在任务B，表格识别中，顶级提交依赖于识别表格组件的方法和生成表格结构和内容的后处理方法。这两项任务的结果都显示出令人印象深刻的性能，并为高性能的实际应用开辟了可能性。
2021-06-08 cs.IR
CoRank: LLM-Based Compact Reranking with Document Features for Scientific Retrieval
University of Illinois \ -Champaign Urbana United States；Korea University Seoul South Korea；University of Illinois \ -Champaign；Korea University
CoRank提出一种无需训练、模型无关的三阶段科学检索重排序框架，利用类别、章节、关键词等紧凑文档特征先进行粗粒度重排序，再对顶部候选全文细粒度排序，在5个数据集上将平均nDCG@10从50.6提升至55.5。
2025-08-17 cs.CL cs.IR
Weakly-Supervised Scientific Document Classification via Retrieval-Augmented Multi-Stage Training
Emory University（埃默里大学）；Georgia Institute of Technology（佐治亚理工学院）
针对科学文献分类标注成本高、标签与文献难匹配的问题，提出仅用标签名的弱监督框架WANDER，结合检索增强、标签扩展与自训练，在三个数据集上平均超最优基线11.9%。
2023-06-12 cs.CL cs.IR
PDFMathTranslate: Scientific Document Translation Preserving Layouts
National University of Singapore（新加坡国立大学）；Tsinghua University（清华大学）；University of Chinese Academy of Sciences（中国科学院大学）；Funstory.ai Limited（Funstory.ai有限公司）
PDFMathTranslate 是首个在翻译科学文档时保留排版的开源软件，结合大语言模型与精确排版检测，在精度、灵活性和效率上实现关键改进，下载量已超 222k 次。
2025-09-22 cs.CL cs.IR cs.LG
Document-as-Image Representations Fall Short for Scientific Retrieval
Department of Computer Science（计算机科学系）
本文提出ArXivDoc新基准，通过LaTeX源代码构建，对比文本、图像和多模态检索方法，发现基于图像的文档表示效果差，文本表示更有效，多模态方法表现最佳。
2026-10-15 cs.AI cs.CL cs.IR
Multi-Vector Models with Textual Guidance for Fine-Grained Scientific Document Similarity
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Washington（华盛顿大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
提出了一种基于文本细粒度特征匹配的科技文档相似度模型。为了训练我们的模型，我们利用了一个自然发生的监督源：论文全文中的句子，这些句子一起引用了多篇论文（共同引用）。这样的共同引用不仅反映了密切的论文相关性，而且还提供了共同引用的论文是如何相关的文本描述。这种新颖的文本监督形式用于学习跨论文匹配方面。我们开发了多向量表示，其中向量对应于文档的文档级方面，并提出了两种方面匹配方法：（1）仅匹配单个方面的快速方法，以及（2）使用最优传输机制进行稀疏多个匹配的方法，该机制计算方面之间的地球移动器距离。我们的方法提高了四个数据集的文档相似性任务的性能。此外，我们的快速单匹配方法取得了有竞争力的结果，为将细粒度相似性应用于大型科学语料库铺平了道路。代码、数据和模型请访问：https://github.com/allenai/aspire
2022-05-04 cs.CL cs.IR
Sequence-Based Extractive Summarisation for Scientific Articles
Elsevier Ltd（爱思唯尔有限公司）
本文介绍了科学文章的监督提取文本摘要的研究结果。我们表明，一个简单的顺序标记模型的基础上，只有在一个文档中的文本实现了高的结果对一个简单的分类模型。可以通过额外的高级功能来实现改进，尽管这些功能是最小的。通过进一步的分析，我们展示了依赖于文档结构的顺序模型的潜力，该文档结构取决于文档来自的学科。
2022-04-07 cs.CL cs.IR
$\texttt{MixGR}$: Enhancing Retriever Generalization for Scientific Domain through Complementary Granularity
Technical University of Darmstadt（达姆施塔特工业大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）；University of Pennsylvania（宾夕法尼亚大学）；Tencent AI Lab（腾讯AI实验室）
针对科学领域密集检索器存在的领域适配差、难处理复杂查询-文档匹配的问题，本文提出零样本方法MixGR，融合多粒度匹配指标生成统一相似度分数，显著提升多类检索器性能及下游科学问答效果。
2024-11-01 cs.CL cs.IR
Scientific Table Search Using Keyword Queries
表格在科学文献中是常见且重要的，然而大多数基于文本的文献搜索系统不捕获特定于表格的结构和语义。如何弥合关键字查询和科学表格之间不同类型的不匹配，以及什么影响排名质量，需要仔细研究。本文考虑表的结构，并给予不同的重点表组件。在查询方面，由于外部知识，如知识库和本体，关键概念被提取并用于构建结构化查询，目标数量类型被识别并用于扩展原始查询。提出了一个概率框架，将结构和语义信息从查询和表侧。我们还构建并发布了TableArXiv，这是一个高质量的数据集，包含105个查询和相应的科学表搜索相关性判断。实验表明，显着更高的准确性整体和排名的顶部比几个基线方法。
2017-07-11 cs.IR
ColBERT-Att: Late-Interaction Meets Attention for Enhanced Retrieval
Huawei Research Center（华为研究中心）
ColBERT-Att通过整合注意力机制于晚期交互框架，提升检索性能，在MS-MARCO和多个BEIR、LoTTE数据集上实现召回准确率提升。
2026-03-26 cs.IR
Generative Retrieval Meets Multi-Graded Relevance
提出 GR$^2$ 框架，通过联合优化标识符的相关性与区别性并采用多级受限对比训练，将生成式检索扩展至多级相关性场景，有效提升了检索性能。
2024-09-27 cs.IR
DiagramBank: A Quality-Audited Dataset of Scientific Schematic Diagrams with Multi-Level Document Context
Rensselaer Polytechnic Institute（伦斯勒理工学院）；University of Chicago（芝加哥大学）
提出DiagramBank，一个从OpenReview的AI/ML会议中精选的57,100个示意图数据集，通过级联过滤管道和手动盲审确保高质量，并保留文档上下文，用于科学文档理解、示意图检索和基准构建。
2026-05-27 cs.AI cs.IR
Automatic Construction of Evaluation Sets and Evaluation of Document Similarity Models in Large Scholarly Retrieval Systems
学术文献检索系统为科学界提供了搜索、探索和下载跨各种科学学科的学术文章的能力。这些系统主要由特定领域的专家使用，包含用户社区日志，包括用户特定下载文章的信息。在本文中，我们提出了一种新的方法，自动评估文档相似性模型在大量的学术出版物。与使用由查询文档和人类注释的相关性判断组成的测试集合的典型评估设置不同，我们使用下载日志来自动生成类似文档对的伪相关集。更具体地说，我们表明，连续下载的文件对，从学术信息检索（IR）系统中提取，可以用作测试集合，用于评估文档相似性模型。我们的方法的另一个新颖的方面在于，我们采用的方法，通过比较连续下载的文档对和随机文档对在日志空间中的分布来评估模型的性能。在两个家族的相似性模型，表示文档的术语向量和主题空间，我们表明，我们的评估方法实现了非常高的相关性与传统的性能指标，如平均平均精度（MAP），同时更有效地计算。
2016-01-07 cs.IR
Improving Scientific Document Retrieval with Concept Coverage-based Query Set Generation
Korea University（高丽大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Pohang University of Science and Technology（浦项科技大学）；Texas A&M University（德克萨斯农工大学）；Yonsei University（延世大学）
针对科学文献检索中人工标注数据集构建难、现有合成查询概念覆盖不全的问题，提出CCQGen框架，通过自适应调整生成过程以全面覆盖文献概念，实验证明其显著提升了查询质量和检索性能。
2025-02-16 cs.AI cs.IR
Syntax Meets Semantics: Understanding Scientific Formulae
FIZ Karlsruhe（FIZ卡尔斯鲁厄）
本研究针对科学公式语法与语义表征不匹配问题，采用图编码器、文本编码器结合对比学习实现跨模态对齐，显著提升了学术信息检索中的跨模态检索性能。
2026-08-04 cs.AI cs.IR
SciCo: Hierarchical Cross-Document Coreference for Scientific Concepts
Bar Ilan University（巴伊兰大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；University of Washington（华盛顿大学）
确定跨文档概念提及的共指是自然语言理解中的一项基本任务。以前的跨文档共指消解（CDCR）通常考虑新闻中的事件，很少涉及科学和技术中流行的抽象技术概念。这些复杂的概念采取不同的或模糊的形式，并具有许多层次级别的粒度（例如，任务和子任务），这给CDCR带来了挑战。我们提出了一个新的任务，分层CDCR（H-CDCR）的目标是共同推断共指集群和它们之间的层次。我们创建了SciCo，这是科学论文中H-CDCR的专家注释数据集，比著名的ECB+资源大3倍。我们研究了我们为H-CDCR定制的强基线模型，并强调了未来工作的挑战。
2021-09-01 cs.CL cs.IR cs.LG
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
FLeW: Facet-Level and Adaptive Weighted Representation Learning of Scientific Documents
School of Computer Science, Beihang University（北航计算机学院）；Beihang University（北航）；Institute of Artificial Intelligence, Beihang University（北航人工智能研究院）；Zhongguancun Laboratory（中关村实验室）；National Computer Network Emergency Response Technical Team/Coordination Center of China（中国计算机网络应急技术攻关团队/协调中心）
针对科学文档表示学习现有方法的不足，FLeW通过引文意图与频率增强对比训练，实现领域泛化的方面划分，并利用权重搜索自适应整合方面级嵌入，无需任务微调即可提升多任务性能。
2025-09-09 cs.AI cs.IR
SciRepEval: A Multi-Format Benchmark for Scientific Document Representations
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Northwestern University（西北大学）；Yale University（耶鲁大学）
SciRepEval是首个涵盖分类、回归、排序和搜索四种格式共24个任务的科学文档表示综合基准，并提出SPECTER2多格式模型，通过多嵌入方法提升泛化性能。
2023-11-13 cs.AI cs.CL cs.IR
DORIS-MAE: Scientific Document Retrieval using Multi-level Aspect-based Queries
University of California, San Diego（加利福尼亚大学圣迭戈分校）
本文提出DORIS-MAE任务及数据集，通过多层级方面查询建模科学文献检索中的复杂查询，并利用Anno-GPT框架以500倍低成本完成专家级标注，评估17种检索方法后发现现有方法性能显著下降，揭示了该任务的挑战性。
2023-10-28 cs.CL 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
Multimodal intelligibility of scholarly hypertext: the documentalist's contribution. A required collaboration for serial documentisation in the scientific editorial process
Cnam（法国国立工艺学院）；Dicen-IdF（数字信息与传播研究实验室）；Institut historique allemand（德国历史研究所）
这篇文章表明，编辑和在线编辑职业之间的界限正在失去力量。在这种情况下，更新超文本的记录方式才有意义，特别是面对Web的发展。我们特别想到的是更棘手的学者超文本文档处理过程--特别是在科学或文化背景下。本文的目的是要证明，在众多的分支网络，超文本的质量提高只能通过作者，编辑和广播公司之间的适当对话。这将使读者感到满意，因为他们可以获得适当的信息。它也将表明，在这个autorial-editorial过程中的每一个参与者将是一个赢家。事实上，一个定性的正规化工作将与一个强大的广播范围相结合。最后，我们将指出，这项调解工作必须由信息交流的参与者领导，使文本能够被人类和机器理解。这个冥想行为在这里被指定为系列文献化。
2021-11-09 cs.CL cs.IR cs.IT
A Survey on Figure Classification Techniques in Scientific Documents
Indian Institute of Information Technology, Allahabad（阿拉哈巴德印度信息技术学院）；University at Buffalo（布法罗大学）
本文综述科学文档图形分类技术，将图形分为五类，梳理相关方法与数据集，并指出研究空白和未来方向。
2023-07-09 cs.CV cs.IR cs.LG
CLIRudit: Cross-Lingual Information Retrieval of Scientific Documents
CONICET-Universidad de Buenos Aires. Instituto de Ciencias de la Computación (ICC). Buenos Aires, Argentina（CONICET-阿根廷布宜诺斯艾利斯大学。信息计算研究所（ICC）。布宜诺斯艾利斯，阿根廷）；École de bibliothéconomie et des sciences de l’information. Université de Montréal. Montréal, Canada（信息与图书馆科学学院。蒙特利尔大学。蒙特利尔，加拿大）
针对学术搜索中非英文成果检索需求，本文构建英法学术跨语言检索数据集CLIRudit，测试多类检索器性能并给出可复现基准，助力非英文学术内容获取。
2025-11-19 cs.CL cs.IR
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
Improving Scientific Document Retrieval with Academic Concept Index
Korea University Seoul South Korea；University of Illinois Urbana-Champaign Champaign United States；Texas A\&M University College Station United States；Yonsei University Seoul South Korea；Pohang University of Science；Korea University；University of Illinois Urbana-Champaign；Texas A\&M University；Yonsei University
针对通用检索器在科学领域因词汇和需求不匹配而表现不佳的问题，提出基于学术概念索引的方法，通过概念覆盖查询生成和概念聚焦上下文扩展，提升查询质量和检索性能。
2026-06-18 cs.AI cs.IR
Parallelism Meets Adaptiveness: Scalable Documents Understanding in Multi-Agent LLM Systems
University of California, Santa Cruz（加州大学圣克ruz分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种多智能体大语言模型系统协调框架，通过动态任务路由、双向反馈和并行评估机制，提升文档理解的适应性和效率。
2026-02-12 cs.AI cs.IR cs.MA
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
Multimodal Hybrid Retrieval-Augmented Generation for Scientific Document Understanding using Open-Source SLMs
Faculty of Electronics, Telecommunications and Information Technology（电子、电信与信息技术学院）；University Politehnica of Bucharest（布加勒斯特理工大学）
针对科学文档理解中大型语言模型的问题，提出多模态混合检索增强生成系统。利用开源视觉语言模型生成摘要，结合多种检索方法并优化，采用查询压缩器确保连贯性。经评估，该系统提高了检索质量，验证了开源模型与先进策略结合的竞争力。
2026-07-29 cs.AI cs.IR
SQuAI: Scientific Question-Answering with Multi-Agent Retrieval-Augmented Generation
TU Dresden（德累斯顿理工大学）
SQuAI是一个多智能体检索增强生成框架，通过分解问题、混合检索和自适应过滤，在230万篇论文上提升科学问答的忠实性和相关性，并发布千级基准。
2025-10-17 cs.CL 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
CHIC: Corporate Document for Visual question Answering
针对现有公开文档数据集无法满足企业视觉问答需求的问题，提出包含多类企业文档的公开数据集CHIC，可支撑企业级信息检索方法的效果对比与研发。
2023-05-01 cs.DB 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
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
SciREX: A Challenge Dataset for Document-Level Information Extraction
Allen Institute for AI（艾伦人工智能研究所）；Northeastern University（东北大学）；University of Washington（华盛顿大学）
从完整文档中提取信息在许多领域都是一个重要的问题，但大多数以前的工作集中在确定句子或段落中的关系。在文档级创建大规模信息抽取（IE）数据集是具有挑战性的，因为它需要理解整个文档来注释实体及其文档级关系，这些关系通常跨越句子甚至部分。在本文中，我们介绍了SciREX，文档级IE数据集，包括多个IE任务，包括显着的实体识别和文档级$N$ -ary关系识别从科学文章。我们通过集成自动和人工注释来注释数据集，利用现有的科学知识资源。我们开发了一个神经模型作为一个强大的基线，将以前最先进的IE模型扩展到文档级IE。分析模型性能显示，人类性能与当前基线之间存在显著差距，邀请社区使用我们的数据集作为开发文档级IE模型的挑战。我们的数据和代码可在https://github.com/allenai/SciREX上公开获取
2020-05-01 cs.CL cs.IR cs.LG
IRPAPERS: A Visual Document Benchmark for Scientific Retrieval and Question Answering
Weaviate
IRPAPERS基准通过比较图像和文本检索系统，揭示了多模态混合搜索在科学文档检索和问答中的优势。
2026-02-05 cs.AI cs.CL cs.IR
KnowledgeHub: An end-to-end Tool for Assisted Scientific Discovery
IBM Research Europe（IBM欧洲研究院）；IBM Research（IBM研究院）；University College London（伦敦大学学院）
本文提出 KnowledgeHub 工具，通过集成 PDF 解析、本体标注、NER/RC 模型训练、知识图谱构建及基于检索的大语言模型问答与摘要，实现端到端的辅助科学发现。
2024-06-17 cs.AI cs.CL cs.DL
