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。

May, 2018

本文介绍了实体对齐的新方法——embedding-based. 通过调查23种不同的entity alignment方法，我们提出了一种新的KG采样算法，并生成了不同的异质性和分布的基准数据集来进行评估。通过开源库测试了其中12种代表性的entity alignment方法，讨论了它们的优点和局限性。同时，我们进行了探索性实验，并报告了未来研究的初步结果。

Mar, 2020

通过利用合作者关系和研究领域，提出了一种新的方法，使用受监督的深度学习模型对图书馆作者名称歧义问题进行消歧，其能够在数字图书馆中有效地区分共享相同名称的作者和具有不同名称变体的作者。

Jul, 2021

本文通过进行第一次统计学分析，对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估，并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。

Mar, 2022

本文对不同的实体对齐方法进行了全面分析，其中主要以基于知识图谱的低维嵌入算法为主，同时提出了四个研究问题并对应用场景和局限性进行了讨论，根据工业数据集中的难点以 extit{Hubness, Degree distribution, Non-isomorphic neighbourhood,}和 extit{Name bias}等四个方面进行了实证分析，提出了一个低名称偏倚数据集，并创建了一个开源库，包括14种嵌入式实体对齐方法用于进一步研究。

May, 2022

本论文提出在数字图书馆中解决作者名称歧义（ANA）的问题。我们使用的数据集包含来自 DBLP 仓库的超过 500 万条记录，由大约 260 万位共同作者撰写。我们的方法首先将具有相同姓和同名首字母的作者分组。每组中的作者通过与他/她的共同作者和研究领域的关系来确定，我们采用了神经网络模型来学习共同作者和标题的表示。针对大型数据集进行了广泛的实验，并验证了我们方法的有效性。

Jul, 2022

研究使用关联网络和BERT来进行实体链接和共指消解，发现在领域内语言建模预训练和出版物信息可以显著提高任务性能，提出一种新的监督聚类推断模型并在两个数据集上进行了实验证 显示其具有竞争性能。

Aug, 2022

本文介绍了一种使用两个基于人工智能的聚类算法来推荐 Open Research Knowledge Graph（ORKG）中资源有关谓词（在 RDF 语句中）的方法，以促进 ORKG 中术语汇聚的服务。实验证明，该方法具有很高的准确性和相对较高的召回率，并提供了有关谓词组的新见解，这些谓词组自动在跨 44 个研究领域的学术知识的语义化模式中积累。

Oct, 2022

通过使用问题内在的网络结构，本研究旨在探索能够执行姓名消歧任务的模型，并对这些模型进行分析。

Dec, 2023

本研究报告介绍了基于预训练语言模型的转移学习方法在学术文献分类中的运用。通过丰富数据集、使用不同的预训练语言模型，并调整超参数，研究发现 fine-tuning 预训练模型可以显著提高分类性能，其中 SPECTER2 模型效果最佳。此外，将额外的元数据加入数据集，尤其是来自 S2AG、OpenAlex 和 Crossref 的信息，可以进一步提高分类结果。本研究对于构建可靠的自动化学术出版物分类系统具有重要意义，为研究人员高效定位相关资源提供了潜在解决方案。

May, 2024