ACLMay, 2018

在 Semantic Scholar 中构建文献图谱

PDF
TL;DR通过 NLP 技术构建一个规模巨大的异构图，用于组织已发表的科学文献，并且在 www.semanticscholar.org 上使用此系统以实现语义功能。
scalable systemscientific literatureheterogeneous graphnlp taskssemantic features
发现论文，激发创造
  • 世界文学知识图谱

    数字媒体为人们探究和分享世界文学作品和作者提供了非凡的机会。本文介绍了基于知识图谱的全球文学知识库，其中包含约 194,346 位作家和 965,210 部作品，专门用于探索世界各地文学作品和作者的相关信息。此资源通过在线可视化平台提供，可提升人们的工作效率和取得有价值的成果。

    Jul, 2023

  • 无监督从文本和代码构建知识图谱

    利用无监督学习方法构建知识图谱，将自然语言概念实体与源代码实体相关联，结合词嵌入、降维和聚类技术的文本概念聚类方法，用于帮助科学家理解、组织和比较开放科学生态系统中的软件，并增强对科学文献的整体理解。

    Aug, 2019

  • 一个面向 Web 规模的科学知识探索系统

    本研究提出一种大规模系统，将科学出版物组织成层次化概念结构，建立了包含超过 20 万个概念和 100 万以上关系的跨领域科学概念本体论。

    May, 2018

  • 语义学者开放数据平台

    Semantic Scholar 是一个旨在帮助学者发现和理解科学文献的开放数据平台，通过使用最先进的学术 PDF 内容提取和自动知识图构建技术，结合公共和专有数据源，构建了迄今最大的开放科学文献图，包括 200 多万篇论文，8000 多万名作者，550 万个论文作者的联系，以及 24 亿多个引用的联系。

    Jan, 2023

  • 学者知识图谱：Web of Scholars

    Web of Scholars 是一个基于知识图谱的系统，它集成了最先进的挖掘技术，可用于计算机科学领域学者之间的网络搜索、挖掘和可视化复杂网络。它提供了快速、准确、智能的语义查询和强大的推荐服务，并提供一个开放 API 作为高级功能的底层架构，可用于学者进行科学分析。

    Feb, 2022

  • 端到端自然语言处理知识图谱构建

    这篇论文研究了从科学论文中构建 NLP 知识图谱的端到端构建方法，重点在提取四种类型的关系：任务和数据集之间的关系，任务和评估指标之间的关系，以及相同类型实体之间的关联关系。通过将 SciNLP-KG 框架应用于 ACL 文献库中的 30,000 篇 NLP 论文构建了一个大规模的知识图谱，可支持自动构建 NLP 领域的科学排行榜，并且实验结果表明：所得知识图谱包含高品质信息。

    Jun, 2021

  • 基于自适应特征和图神经网络的科学文献语义表示学习

    提出了一种基于自适应特征和图神经网络的科学文献语义表示学习方法，通过引入自适应特征方法，综合考虑了科学文献的全局和局部特征，借助图注意机制对具有引文关系的科学文献的特征进行加权求和，进一步表达不同科学文献特征之间的相关性，同时通过无监督图神经网络学习方法，提高了科学文献的语义表示学习能力，实验结果表明该方法在科学文献分类方面具有竞争力并取得了良好结果。

    Nov, 2023

  • 通过语义可视化探索和发现 COVID-19 文献

    我们正在开发语义可视化技术以增强探索和发现复杂关系的大型数据集的能力，包括使用 NLP 从原始数据中提取命名实体、关系和知识图，对所有相关实体和关系进行索引并创建各种可视化形式的表示，并使用参数缩减操作创建 “关系容器” 或功能性实体，以便通过多种方式可视化多个关系，部分路径和多维探索，从而发现复杂数据中的新推断。我们已将此应用于对最近发布的 CORD-19 数据集的分析。

    Jul, 2020

  • 利用引文图谱进行科学信息提取

    本文研究了如何利用引文图来提高科学信息提取的准确性，证明结合引文图与文本提取任务能提升科学信息提取的水平。

    Jun, 2021

  • 引用图增强科学论文摘要

    本论文提出了一种基于引用图的摘要模型 CGSum，相对于基于输入文档内容进行摘要的方法，它可以更好的理解科技论文的含义并产生高质量的摘要，同时构建了一个包含 141K 篇不同领域的科技论文的数据集 Semantic Scholar Network（SSN），这个数据集构成了一个大型的连接引用图。研究结果表明，引用图对于理解论文内容并产生高质量的摘要十分关键。

    Apr, 2021