Nov, 2023

提升 AI 研究论文分析：基于因子转换器的序列建模法提取方法论组件

PDF
TL;DR对于快速发展的新型科学方法学的名称的自动提取，本论文提出了一种基于序列建模的分解方法，通过利用方法学领域的宏观类别信息，如 NLP，RL 等，以及在快速发展的人工智能文献中进行实验来说明其可行性，并证明此分解方法在几次试验中超过现有技术基线的效果，能够高效地识别新型科学方法学的名称。
发现论文，激发创造
  • 半监督神经标记的科学信息提取

    本文通过将问题建模为序列标注，并利用半监督学习方法和数据选择方案，提出了一个基于神经标注模型的关键短语提取和分类算法，该算法在 2017 年 SemEval 科学信息抽取任务中明显优于现有信息抽取方法。

    Aug, 2017

  • 一种基于云端的机器学习流水线，用于高效地从客户评论中提取洞察信息

    本文介绍了一种基于云的系统，使用机器学习方法集成到管道中，能够从客户评论中提取洞察力，其复合模型使用基于 transformer 的神经网络、基于向量嵌入的关键字提取和聚类，可以更好地满足高效信息提取、提取信息的主题建模和用户需求的要求，并且比现有的主题建模和关键字提取解决方案取得更好的结果。该方法使用公开可用的数据集进行基准测试，并与其他最先进的方法进行验证和比较。

    Jun, 2023

  • 电子病历中基于 Transformers 的方法应用：一项系统文献综述

    该文是关于基于 Transformer 的自然语言处理（NLP）应用到电子病历（EMR）领域的最新研究进展的系统文献综述，涵盖了业务问题、NLP 任务、模型和技术、数据集可用性、建模再现性、语言和交换格式等方面。通过分析当前研究的局限性和未来研究建议，该文提供了有关该领域 Transformer-based 方法的综合评估。

    Apr, 2023

  • 使用变换器进行系统性文献筛选

    我们开发了一种建立通用筛选系统的方法，该系统可以根据研究问题中描述的内容需求，将其与广泛搜索词应用所得到的候选文章进行匹配。我们的结果表明，预训练于生物医学文献并针对特定任务进行微调的转换器模型为解决这个问题提供了有希望的解决方案，能够过滤大量的无关文章。

    May, 2024

  • 基于 Transformer 的自动文摘实现

    文章旨在利用基于 Transformer 的技术提高文章章节摘要的生成效率和质量。

    Jan, 2023

  • 科学出版物中的流程提取的数据增强技术

    我们提出了一种数据增强技术，用于科学出版物中的过程提取任务。我们将过程提取任务视为序列标注任务，通过识别句子中的所有实体并根据其特定于过程的角色标记它们来完成任务。所提出的方法通过利用（1）原始句子中的特定于过程的信息，（2）角色标签相似度和（3）句子相似度来创建有意义的增强句子。我们证明了所提出的方法在化学领域数据集上训练的过程提取模型的性能显著提高，性能准确度提高了 12.3 个百分点（F 分数）。这些方法还可以在训练小数据集或在化学和其他科学领域等低资源环境中减少过拟合的可能性。

    May, 2024

  • 利用上下文化嵌入的序列标注方法从学术文章中提取关键短语

    本文提出了一种使用 BiLSTM-CRF 模型和深度语境化嵌入来解决学术论文关键词提取问题，结果表明使用语境化嵌入、BiLSTM-CRF 结构和针对特定类型文章的语境化嵌入可以达到更好的性能，并且我们还分析了各种模型的优劣。

    Oct, 2019

  • 利用基于 BERT 的模型推动跨学科研究：通过 SciBERT-CNN 与主题建模的方法

    该论文介绍了一种使用 SciBERT 模型和 CNN 的新方法，通过处理摘要、正文、标题和关键词等多个部分，以解决多标签文本分类中的语义关系和类别不平衡问题，并在文献综述效率方面取得显著改进。

    Apr, 2024

  • 基于 Transformer 模型的自动化论文评分数据增强

    本文研究使用 Transformer 模型与数据增强技术解决自动评分的问题，通过实验证明其有效性。

    Oct, 2022

  • 文本处理与检索方法的可解释性：一项关键调查

    本文全面调研了针对词嵌入、序列建模、注意力模块、Transformer、BERT 以及文档排名的机器学习和自然语言处理研究的可解释性和解释性方法，最后提出了未来的研究方向。

    Dec, 2022