KDDAug, 2020

通过文献分析导航 COVID-19 研究领域：鸟瞰全局

PDF
TL;DR利用 NLP 技术（如命名实体识别和聚类算法）对 PubMed 数据库中的 LitCovid 文献进行分析，从中筛选出与 COVID-19 相关的生物实体、症状、并发症等，帮助人们快速了解 COVID-19 相关文献的主题和研究进展。
covid-19literature analysisnlpnamed entity recognitionclustering
发现论文，激发创造
  • COVID-19 文献的分类

    本研究分析了多个多标签文档分类模型在 LitCovid 数据集上的表现，发现在该数据集上微调过的预训练语言模型表现最佳，并探讨了其数据效率和可推广性，同时也提出了未来研究中需要解决的问题，数据和代码均在 GitHub 上可获取。

    Jun, 2020

  • 利用文本挖掘技术进行 COVID-19 文献挖掘和检索

    使用 NLP 技术，如词袋、平均词向量、平均 BERT 基础模型和 Tf-Idf 加权词向量模型，结合余弦相似度算法，在 CORD-19 数据集中找出与 COVID-19 主题有关的研究文献。

    May, 2022

  • 生物医学文献的多标签分类: BioCreative VII LitCovid 赛道 COVID-19 文献主题注释概述

    该研究报告主要讨论了如何利用生物医学文本挖掘方法自动分配主题标签以便更好地理解和利用 LitCovid 数据库中的 COVID-19 相关文章，以促进疫苗和药物的研发。

    Apr, 2022

  • COV19IR：COVID-19 领域文献信息检索

    本研究通过使用 Transformer 神经网络，在 CORD-19 数据集上解决了 COVID-19 文献检索和问答的挑战，并展示了其在一些实例上的有效性。

    Nov, 2022

  • 探索 COVID-19 大流行期间研究主题的演变

    基于 CORD-19 文本摘要的 CORToViz 可视化工具，利用最新科技，通过聚类文章并提取主题的方法，提供快速可视化主题内容和趋势的交互式仪表盘，适用于任何文本文档语料库的数据准备和结果可视化。

    Oct, 2023

  • 利用机器学习和自然语言处理方法来研究 COVID-19 研究的时间演变

    本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征，包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别，前者在 COVID-19 相关问题的多样性方面具有更大的多样性，后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。

    Jul, 2020

  • 可视化 COVID-19 研究

    本文提供了一种结合大型数据建模、信息制图和趋势分析的新型自动化主题可视化方法，用于快速发现 COVID-19 疫情下的主题和研究资源，结果显示了有关社交隔离、医疗话题、病毒在不同地区的演变轨迹等信息，同时也表明了迫切需要快速自动化地进行大规模数据的搜索和浏览。

    May, 2020

  • 搜索 COVID-19 问题的科学文献

    探讨如何为新疾病的大流行提供可靠的信息支持，实现新的信息检索，采用不同的排名算法，并提出了神经检索方法，并在 TREC COVID 搜索中证明其有效性。

    Jul, 2020

  • COVID-19 文献知识图谱构建与药物再利用报告生成

    为了应对 COVID-19，我们开发了一个全新的综合性知识发现框架 COVID-KG，从科学文献中提取了细粒度的多媒体知识元素，并利用构建的多媒体知识图谱用于问答和报告生成，以药物再利用为案例研究。该框架还提供了详细的上下文句子，子图和知识子图作为证据。

    Jul, 2020

  • COVID-19 相关论文的信息检索和提取工具

    本研究的主要目标是开发一种工具，将信息检索和提取技术应用于 COVID-19 开放研究数据集（CORD-19），为研究人员提供更好的 COVID-19 相关论文搜索工具，帮助他们找到参考论文并突出显示文本中的相关实体。

    Jan, 2024