Sep, 2022

研究计划分类的分层跨学科主题检测模型

PDF
TL;DR研究如何使用 Hierarchical Interdisciplinary Research Proposal Classification Network (HIRPCN) 开发一个自动的跨学科课题路径检测系统，该系统使用分层变压器来提取文本语义信息，并使用 GNN 学习每个领域的特征表示，以提取跨学科知识和实现级别预测。在三个实际数据集上的实验和专家评估中，表明我们提出的模型的有效性。
peer merit reviewinterdisciplinary proposalsautomated interdisciplinary topic path detectionhierarchical transformerhierarchical interdisciplinary research proposal classification network
发现论文，激发创造
  • 谁应该审查你的提案？研究提案的跨学科主题路径检测

    本研究旨在利用层次化交叉科学研究提案分类网络以及图神经网络，生成自动化的跨学科研究领域分类标签。在三个真实数据集上进行广泛实验并进行专家评估，结果表明所提出的模型非常有效。

    Mar, 2022

  • 层次化 MixUp 多标签分类在不平衡的跨学科研究提议中的应用

    本文提出了一种名为 H-MixUp 的层次混合多标签分类框架，利用基于转换器的语义信息提取器和基于 GCN 的跨学科知识提取器来解决交叉学科提案的模型分类问题。

    Sep, 2022

  • 不平衡研究提案主题推理中的跨学科公平性：一种基于层次变压器的选择插值方法

    基于 Transformer 编码器 - 解码器架构实现的主题标签推断系统，利用插值技术在训练时从非跨学科提案中创建一系列伪跨学科提案，旨在减少模型训练中的偏见，进行了大量实验证明了该方法在主题推断任务中显著减轻了产生的不公平。

    Sep, 2023

  • 基于 LLM 的数据增强解决层级学科主题推断中的不平衡问题

    使用大型语言模型（Llama V1）作为数据生成器，通过在复杂的学科层次结构中对研究提案进行采样，并设计基于关键词的研究提案生成方法，旨在解决数据不平衡问题，提高专家分配的公平性。实验结果表明，使用这种方法生成的研究提案能够有效解决前述问题，并生成高质量的科学文本数据，有助于模型克服数据不平衡问题。

    Oct, 2023

  • 基于深度学习的 “Web of Science” 研究领域层次分类

    通过利用抽象、将学术出版物自动分类为专业领域体系结构的一种基于模块化和分布式批量训练的层次分类系统 <discipline-field-subfield>，从而在知识生产和引用间捕捉相互依存的关系，进而更好地对学术出版物进行索引。

    Feb, 2023

  • 使用分层透明表示法的多标签分类方法，应用于文章审核员推荐

    本文提出了一种多标签分类的方法，使用分层透明表示方法，并提出了一种简单的基于多标签的评审人分配策略，以选择适当的评审人，同时还在粗粒度的粒度中探索了论文 - 评审人推荐。

    Dec, 2019

  • 面向审稿人推荐系统的提交感知评审人画像

    本文提出了一种基于上下文学习的评审人匹配方法，解决了用主题建模进行评审者指派时主题上下文信息丢失和难以解释的问题，并在实验中取得了显著的精度提高。

    Nov, 2022

  • 预测人工智能论文中的语义关系的方法

    本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

    Jan, 2022

  • 科学文档的层次多标签分类

    本文介绍一种新的数据集 SciHTC，包含 186,160 篇论文和 1,233 个学科分类，建立了层次化多标签文本分类的强基线，并提出了一种多任务学习方法来进行主题分类，获得 Macro-F1 得分 34.57％，显示这个数据集提供了显著的研究机会。

    Nov, 2022

  • 重要学术会议论文的层次主题分类

    本文发展了一个用于层次化文本分类的决策支持系统，提出了一种加权层次化相似性函数来计算主题的相关性，并使用熵来估计权重。通过与其他方法比较，该加权层次化相似性函数在主题排名准确性方面有了更好的改进。

    Jun, 2024