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

SciEv 是一个系统，可以在给定科学新闻文章的情况下搜索科学证据论文，并采用两阶段查询范式以检索候选论文并进行重新排序，它使用领域知识实体来找到候选论文，证明比常规关键短语更有效，并在重排阶段中探索了新闻文章和候选论文的不同文档表示方法。

Apr, 2022

该研究提出了一种基于内容的方法来推荐论文草稿中的引用，通过将请求文档嵌入到向量空间中，再使用其最近邻作为候选项，并使用区分观察和未观察到的引用的判别模型对候选项进行重新排序，无需元数据，得到了相对于标准数据集的显著提升。

Feb, 2018

通过分析大约 71.5K 篇论文，系统而实证地研究了引文的广泛时空模式，重点关注了 NLP 领域，发现引用文献的年代多集中在最近 5 年，而且引用多样性呈下降趋势，最近十年高引用论文的引文多样性也较低。

May, 2023

使用基于规则的方法，从计算语言学（CL）学术文章标题中自动获取突出的科学实体，从而提高实体检索的精确性和召回率。在所有 ACL Anthology 文章标题的基础上，总计提取了 19,799 个研究问题，18,111 个解决方案，20,033 个资源，1,059 种语言，6,878 个工具和 21,687 种方法，并达到了 75％ 的平均精确度。

Sep, 2021

本文提出了一个标准化任务，定义了 7 个以贡献为中心的计算机科学学术实体的集合，旨在解决计算机科学领域特定实体识别这一问题。通过结合现有的计算机科学文献 NER 资源，并从文章标题和摘要中提取数千个贡献中心实体注释，该论文提供了一种方法，以训练基于神经网络的 NER 模型。通过相关实验评估，该模型表现出与其他业界领先的神经网络立场识别模型相当的准确性。

Mar, 2022

本文介绍了一种基于深度学习模型与实体识别的自动生成研究论文摘要的方法，实验证明使用实体识别可以提高摘要质量。

Feb, 2023

使用自然语言处理技术和 Named Entity Recognition 模型，我们建立了一个系统，对社会科学研究文献中的数据引用进行了探测，构建了一个社会科学文献和相关数据集的数据集，这将有助于未来的数据引用、数据引证网络和数据再利用领域的研究。

May, 2022

本研究提出了一种叫做 CausalCite 的因果推断方法，通过高维文本嵌入将每篇论文编码，利用余弦相似度提取相似的样本并综合计算出反事实样本，用于衡量论文被引用的因果关系，该方法在科学专家对 1,000 篇论文进行的实验、历史论文的奖项和 AI 各个子领域的稳定性等各种标准中表现出了很高的相关性和有效性，并给出了一些建议供未来研究者利用我们的度量方法以更好地理解论文质量。

Nov, 2023

现有的机器学习方法用于本地引用推荐直接将一个查询映射或翻译为值得引用的研究论文，这会导致有限的推荐可解释性。为了缓解这个问题，我们引入了基于证据的本地引用推荐任务，目标潜藏空间包括用于推荐特定论文的证据跨度。通过远程监督证据检索和多步骤再排序框架，我们的提议系统 ILCiteR 为查询推荐应引用的论文，并基于从现有研究文献中提取的类似证据跨度进行引用。与过去的方法只输出推荐不同，ILCiteR 检索了验证跨度和推荐论文的排序列表。其次，以前提出的引用推荐的神经模型需要在大规模标记数据上进行昂贵的训练，理想情况下是在候选论文池的每次重大更新之后。相反，ILCiteR 仅依靠动态证据数据库的远程监督和预训练的基于 Transformer 的语言模型，而无需任何模型训练。我们为基于证据的本地引用推荐任务贡献了一个新颖的数据集，并展示了我们提出的条件神经网络排序集成方法在重新排序证据跨度上的有效性。

Mar, 2024