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
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
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
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
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
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
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
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
Query-driven Document-level Scientific Evidence Extraction from Biomedical Studies
First Author Affiliation（第一作者机构）；Second Author Affiliation（第二作者机构）
本文聚焦于存在冲突证据的临床问题，构建了CochraneForest数据集，并提出了检索增强生成框架URCA用于文档级科学证据抽取，其F1分数较最佳方法提升10.3%。
2025-05-30 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
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
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
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
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
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
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
Text to Insight: Accelerating Organic Materials Knowledge Extraction via Deep Learning
Drexel University（德雷塞尔大学）；Northeastern University（东北大学）；Kebotix, Inc.（Kebotix公司）
科学文献是知识共享的重要资源之一。研究人员将科学文献作为设计实验的第一步。鉴于文献的广泛和不断增长的数量，阅读和手动提取知识的常见方法过于耗时，在研究周期中造成瓶颈。这一挑战几乎涉及所有科学领域。对于材料科学来说，分布在数百万出版物中的实验数据对于预测材料性能和设计新材料非常有帮助。然而，直到最近，研究人员才探索了主要用于无机材料的知识提取的计算方法。本研究旨在探讨有机材料的知识提取。我们建立了一个研究数据集，由来自92，667篇摘要的855个注释和708，376个未注释句子组成。我们使用命名实体识别（NER）和BiLSTM-CNN-CRF深度学习模型来自动提取文献中的关键知识。早期阶段的结果显示了自动知识提取的巨大潜力。本文介绍了我们的研究结果和监督的知识提取，可以适应其他科学领域的框架。
2021-09-27 cs.CL cs.IR
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
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
Explaining black-box text classifiers for disease-treatment information extraction
Institute for Artificial Intelligence and Decision Support（人工智能与决策支持研究所）；Medical University of Vienna（维也纳医科大学）
深度神经网络和其他复杂的人工智能（AI）模型在许多生物医学自然语言处理任务上已经达到了很高的准确度。然而，由于其模糊的内部工作和决策逻辑，它们在现实世界用例中的适用性可能受到限制。事后解释方法可以通过提取特征值和结果之间的关系来近似黑盒AI模型的行为。在本文中，我们介绍了一种事后解释方法，利用置信项集近似的黑盒分类器的医疗信息抽取的行为。将医学概念和语义引入到解释过程中，我们的解释器在黑盒分类器的决策空间的不同部分中发现输入和输出之间的语义关系。实验结果表明，我们的解释方法可以优于扰动和决策集为基础的推理机的保真度和解释性的预测疾病治疗信息抽取任务。
2020-10-21 cs.AI 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
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
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
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
Collage: Decomposable Rapid Prototyping for Information Extraction on Scientific PDFs
Language Technologies Institute, School of Computer Science（语言技术研究所，计算机科学学院）；Department of Materials Science and Engineering（材料科学与工程系）
Collage是一个可分解的快速原型工具，支持在科学PDF上可视化、评估多种信息提取模型，提供中间状态细粒度视图，助力材料科学文献综述。
2025-06-22 cs.CL cs.HC
Solving Label Variation in Scientific Information Extraction via Multi-Task Learning
VNU University of Engineering and Technology（越南国立大学工程技术大学）；National Institute of Informatics（国立情报学研究所）；The University of Tokyo（东京大学）
本研究提出基于多任务学习和软标签技术的方法，解决科学信息抽取中标签不一致问题，增强模型鲁棒性并提升端到端性能。
2023-12-25 cs.CL
What do You Mean by Relation Extraction? A Survey on Datasets and Study on Scientific Relation Classification
IT University of Copenhagen（哥本哈根信息技术大学）；Center for Information and Language Processing (CIS), LMU Munich（慕尼黑大学信息与语言处理中心（CIS））
在过去的五年中，关系抽取（RE）的研究取得了广泛的进展，许多新的数据集发布。同时，设置清晰度降低，导致可靠的经验评估难度增加（Taillé等人，2020年）。在本文中，我们提供了一个全面的调查RE数据集，并重新审视任务的定义和社区采用。我们发现跨数据集和跨域设置特别缺乏。我们提出了一个实证研究的科学关系分类在两个数据集。尽管大量的数据重叠，我们的分析揭示了注释的实质性差异。注释差异强烈影响关系分类性能，解释了跨数据集评估的大幅下降。进一步子域内的变化存在，但影响关系分类只有有限的程度。总的来说，我们的研究要求更严格地报告RE设置和多个测试集的评估。
2022-04-28 cs.CL
Evaluation of Embedding Models for Automatic Extraction and Classification of Acknowledged Entities in Scientific Documents
GESIS –- Leibniz Institute for the Social Sciences（GESIS——莱布尼茨社会科学研究所）
科学论文中的致谢可以让我们深入了解科学界的各个方面，例如奖励制度、合作模式和隐藏的研究趋势。本文的目的是评估不同的嵌入模型的性能，自动提取和分类的任务，承认的实体，从科技论文中的确认文本。我们使用Flair NLP框架训练并实现了一个命名实体识别（NER）任务。训练使用三个默认的Flair NER模型和两个不同大小的语料库进行。在较大的训练语料库上训练的Flair Embeddings模型显示出最好的准确率，为0.77。我们的模型能够识别六种实体类型：资助机构，资助编号，个人，大学，公司和杂项。该模型对某些实体类型的工作比其他实体类型更精确，因此，个人和赠款数量显示出非常好的F1分数超过0.9。大多数以前的工作确认分析是有限的数据的人工评估，因此，处理的数据量。该模型可用于对回执文本的综合分析，对回执文本的自动分析具有重要的意义。
2022-06-22 cs.CL cs.DL
PGA-SciRE: Harnessing LLM on Data Augmentation for Enhancing Scientific Relation Extraction
Dalian University of Technology（大连理工大学）；Beijing Institute of Electronic System Engineering（北京电子系统工程研究所）
本文提出PGA文本数据增强框架，利用LLM通过改写和基于关系实体生成伪样本，有效提升了科学领域关系抽取模型的F1分数并降低了人工标注成本。
2024-05-30 cs.CL
Transfer Learning for Scientific Data Chain Extraction in Small Chemical Corpus with BERT-CRF Model
National Science Library, Chinese Academy of Science（中国科学院国家科学图书馆）；University of Chinese Academy of Science（中国科学院大学）；City University of New York（纽约城市大学）；Tsinghua University（清华大学）
近年来，由于人工智能的快速发展和突破，计算化学得到了快速发展。由于自然语言处理的发展，研究人员可以从出版物中提取更多细粒度的知识，以刺激计算化学的发展。针对目前化学实体提取的研究成果和语料库主要局限于生物医学或生命科学领域，而化学领域的研究较少的情况，本文建立了一个化学键领域的语料库，标注了化合物、溶剂、方法、键、反应、pKa和pKa值等7类实体。本文提出了一种新的BERT-CRF模型，通过从出版物中提取7个化学实体和关系来构建科学化学数据链。提出了一种联合模型来同时提取实体和关系。我们的化学专业语料库的实验结果表明，我们实现了最先进的和有竞争力的NER性能。
2019-05-13 cs.CL cs.DL
MIT at SemEval-2017 Task 10: Relation Extraction with Convolutional Neural Networks
MIT（麻省理工学院）
发表了5 000多万篇学术文章：它们构成了一个独特的知识库。特别是，人们可以从中推断出科学概念之间的关系，如同义词和下位词。人工神经网络最近已被探索用于关系抽取。在这项工作中，我们继续这条工作线，并提出了一个系统的基础上的卷积神经网络提取关系。我们的模型在SemEval-2017任务10（ScienceIE）中排名第一，用于科学文章中的关系抽取（子任务C）。
2017-04-05 cs.AI cs.CL cs.NE
Metalinguistic Information Extraction for Terminology
本文介绍和评估元语言操作处理器（MOP）系统的元语言信息的自动编译技术和科学文件。该系统的目的是提取非标准的术语资源，我们称之为元语言信息数据库（或MID），以帮助更新不断变化的词汇表，知识库和本体，以及反映亚稳态动态的专业领域知识。
2005-04-15 cs.AI cs.CL cs.IR
EXCEEDS: Extracting Complex Events via Nugget-based Grid Modeling in Scientific Domain
Beijing Institute of Technology（北京理工大学）；Microsoft Research Asia（微软亚洲研究院）
针对科学领域事件密集、信息形式复杂的特点，构建大规模多事件文档级数据集SciEvents，并提出端到端框架EXCEEDS，将密集线索块编码为网格矩阵，简化复杂事件提取为基于线索块的网格建模任务，取得最优性能。
2026-06-09 cs.CL
Which techniques does your application use?: An information extraction framework for scientific articles
Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）
每个研究领域都包含多个应用领域，这些应用领域通常使用各种技术来解决这些广泛的应用领域中的问题。随着研究量的指数级增长，跟踪不断增长的应用领域以及相应的问题解决技术变得越来越困难。在本文中，我们认为计算语言学领域，并提出了一种新的信息抽取系统，自动构建一个池的所有应用领域在这一领域，并适当地将它们与相应的问题解决技术。此外，我们根据其应用领域和文章中提出/使用的技术对个别研究文章进行分类。采用基于k-gram的折扣方法以及手写规则和自举模式学习来提取应用领域。随后，提出了一种语言建模方法，根据其应用领域来表征每篇文章。同样，正则表达式和高分名词短语用于提取问题解决技术。我们提出了一个贪婪的方法来描述每一篇文章的技术基础上。最后，我们提出了一个表格，代表了一个特定的应用领域最常用的技术。最后，我们提出了三个用例，对技术和应用领域的使用进行了广泛的时间分析。
2016-08-23 cs.CL
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
TERMinator: A system for scientific texts processing
A.P. Ershov Institute of Informatics Systems（A.P. 叶尔绍夫信息学系统研究所）；Novosibirsk State University（新西伯利亚国立大学）
本文主要研究从科技文本中抽取实体及其语义关系的问题，将科技术语视为实体。在本文中，我们提出了一个数据集，其中包括两个任务的注释，并开发了一个名为TERMinator的系统，用于研究语言模型对术语识别的影响和关系抽取的不同方法的比较。实验表明，在目标语言上预先训练的语言模型并不总是表现出最好的性能。此外，添加一些启发式方法可以提高特定任务的整体质量。开发的工具和注释语料库可在https://github.com/iis-research-team/terminator上公开获取，可能对其他研究人员有用。
2022-09-29 cs.CL
Extracting ORR Catalyst Information for Fuel Cell from Scientific Literature
Institutes of Innovation for Future Society, Nagoya University（未来社会创新研究所，名古屋大学）；Computational Intelligence Laboratory, Toyota Technological Institute（计算智能实验室，丰田技术研究所）
本研究提出基于DyGIE++和多种预训练BERT变体的命名实体识别与关系抽取方法，从文献中提取ORR催化剂信息，实验证明领域特定模型在提取性能上优于通用模型。
2025-07-10 cs.CL physics.data-an
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
Extracting Fine-Grained Knowledge Graphs of Scientific Claims: Dataset and Transformer-Based Results
SIFT（SIFT研究所）；Northeastern University（东北大学）
最近的基于transformer的方法在关系科学信息抽取方面取得了可喜的成果。现有的数据集侧重于对研究如何进行的高层次描述。相反，我们专注于如何通过构建SciClaim来呈现实验关联的微妙之处，SciClaim是一个从社会和行为科学（SBS），PubMed和CORD-19论文中提取的科学声明数据集。我们新的图注释模式不仅将粗粒度的实体跨度作为节点，将关系作为它们之间的边，而且还将修改实体及其关系的细粒度属性，语料库中共有12，738个标签。通过包含更多的标签类型和超过以前数据集两倍的标签密度，SciClaim捕获了实验变量及其资格，亚型和证据的因果，比较，预测，统计和比例关联。我们扩展了基于转换器的联合实体和关系抽取的工作，以有效地推断我们的模式，展示了细粒度知识图谱在科学索赔和超越的承诺。
2021-09-21 cs.CL
SemEval 2017 Task 10: ScienceIE - Extracting Keyphrases and Relations from Scientific Publications
University College London（伦敦大学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
我们描述了SemEval从科学文献中提取关键词及其之间关系的任务，这对于理解哪些出版物描述了哪些过程，任务和材料至关重要。虽然这是一项新任务，但我们在3个评估场景中共收到26份提交。我们期望本文中报告的任务和发现与致力于理解科学内容的研究人员以及更广泛的知识库人群和信息抽取社区相关。
2017-05-02 cs.AI cs.CL stat.ML
Extracting Semantic Concepts and Relations from Scientific Publications by Using Deep Learning
Universiti Sains Malaysia（马来西亚理科大学）；Hodeidah University（荷台达大学）
随着网络上非结构化数据的不断增加，以机器可理解的形式表示这些数据中的知识的动机也在增加。本体是语义Web上以更有意义的方式表示信息的主要基石之一。当前的本体库无论是在范围上还是在时效性上都是相当有限的。此外，目前的本体抽取系统存在着使用小数据集、依赖大量预定义模式抽取语义关系、抽取的关系类型很少等缺点和不足。本文的目的是介绍一种自动提取科技出版物中的语义概念和关系的方案。本文提出了新类型的语义关系，并指出使用深度学习（DL）模型进行语义关系抽取。
2020-09-04 cs.CL
Look, Read and Enrich. Learning from Scientific Figures and their Captions
Expert System Cogito Labs（Expert System Cogito实验室）
与自然图像相比，理解科学数字对机器来说特别困难。然而，在科学文献中有一个有价值的信息来源，直到现在还没有被开发：一个数字和它的标题之间的对应关系。在本文中，我们研究了什么可以通过看大量的数字和阅读他们的标题，并介绍了一个数字标题对应学习任务，利用我们的观察。训练视觉和语言网络，而不是对不受约束的数字和标题的监督，成功地解决了这个任务。我们还表明，从知识图谱转移词汇和语义知识显着丰富的功能。最后，我们展示了这些功能在涉及科学文本和数字的其他任务中的积极影响，如多模态分类和机器理解问答，优于监督基线和ad-hoc方法。
2019-09-19 cs.AI cs.CL cs.CV
Joint Structured Models for Extraction from Overlapping Sources
IIT Bombay（印度理工学院孟买分校）
我们考虑的问题，联合训练结构化模型提取源的实例享有部分重叠。这具有重要的应用，如网络上的用户驱动的ad-hoc信息抽取。这种应用在源的数量和它们的任意重叠模式方面提出了新的挑战，这是以前对两个源应用的集体训练计划所没有的。我们提出了一个基于协议的学习框架和替代方案，以权衡易处理性，对噪声的鲁棒性和协议的程度。我们提供了一个原则性的计划，以发现低噪声协议集的未标记的数据源。通过对58个真实数据集的广泛实验，我们确定了我们在最大文本段上附加奖励协议的方法提供了最佳权衡，并且还在集体推理，分阶段训练和多视图学习等替代方案上得分。
2010-05-01 cs.AI
Multi-Task Identification of Entities, Relations, and Coreference for Scientific Knowledge Graph Construction
University of Washington（华盛顿大学）
我们介绍了一个多任务的设置，识别和分类的实体，关系，并在科学文章中的共指集群。我们创建了SciERC，一个包含所有三个任务的注释的数据集，并开发了一个统一的框架，称为科学信息提取器（SciIE），用于共享跨度表示。多任务设置减少了任务之间的级联错误，并通过共指链接利用跨句子关系。实验表明，我们的多任务模型优于以前的模型在科学信息抽取，而不使用任何特定领域的功能。我们进一步表明，该框架支持科学知识图谱，我们用它来分析科学文献中的信息的建设。
2018-08-29 cs.CL
Deep Ad-hoc Beamforming Based on Speaker Extraction for Target-Dependent Speech Separation
Northwestern Polytechnical University（西北工业大学）
近年来，基于深度学习的自组织麦克风阵列的研究备受关注，特别是在语音增强和分离方面。由于ad-hoc麦克风阵列可能覆盖如此大的区域，以至于多个说话人可能相距很远并且独立地说话，所以目标相关语音分离（其目的是从混合语音中提取目标说话人）对于在ad-hoc阵列中提取和跟踪特定说话人是重要的。然而，这种技术尚未被探索。本文提出了一种基于说话人提取的深度自组织波束形成方法，这是我们所知的第一个基于自组织麦克风阵列和深度学习的目标相关语音分离的工作。该算法包含三个组件。首先，提出了一种基于说话人提取的有监督信道选择框架，该框架利用目标语音的话语级信噪比作为信道选择的依据。其次，我们将所选择的通道应用于基于深度学习的MVDR算法，其中，将单通道说话人提取算法应用于每个所选择的通道，以估计目标语音的掩码。我们在WSJ 0-adhoc语料库上进行了广泛的实验。通过仿真和实测数据处理验证了所提方法的有效性。
2020-12-01 cs.CL cs.SD eess.AS
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
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
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
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
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
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
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
SciDef: Datasets and Tools for Automated Definition Extraction from Scientific Literature with LLMs
National Institute of Informatics (NII)（国立信息研究所）；University of Würzburg（乌尔姆大学）；University of Passau（帕萨乌大学）；University of Würzburg (JMU)（乌尔姆大学）
提出SciDef资源套件，包含人工验证的定义基准DefExtra、相似度判断DefSim及基于LLM的提取流程，通过16个语言模型评估，发现NLI匹配指标与人类判断高度一致，但相关性过滤仍是自动提取的关键瓶颈。
2026-06-15 cs.CL cs.IR
