COLINGJun, 2024

SciDMT: 用于科学引文检测的大规模语料库

PDF
TL;DRSciDMT 是目前最大的科学实体提及检测语料库，它包含 48,000 篇科学文章、180 万个弱标注的提及标注以及 100 篇手动注释用于评估的科学文章。通过与 SciBERT 和 GPT-3.5 等先进深度学习架构的实验，我们演示了该语料库的实用性，确立了性能基线并突出了科学实体提及检测中未解决的挑战。SciDMT 为研究界提供了一个坚实的基准，鼓励开发创新模型，进一步推动科学信息提取领域的发展。
发现论文，激发创造
  • DMDD：一个大规模的数据集用于数据集提及检测

    该研究介绍了 DMDD 数据集，它是目前用于科学文献数据集命名检测的最大公开语料库。通过对不同检测模型在 DMDD 上的表现进行分析，研究发现了数据集命名检测方面的一些问题，邀请社区使用该数据集开发新的检测模型。

    May, 2023

  • TDMSci：一种用于科学文献实体标注的专业语料库，标注对象为任务、数据集和指标

    本文为了促进科学出版物摘要和知识发现的研究，提出了一个新的语料库，其中包含来自自然语言处理论文的 2000 个句子的任务、数据集和评估指标的领域专家标注。通过使用简单的数据增强策略，我们报告了 TDM 提取的实验结果，并将我们的标签器应用于 ACL 文集中约 30,000 篇 NLP 论文。

    Jan, 2021

  • MedMentions: 一个带有 UMLS 概念注释的大型生物医学语料库

    介绍了 MedMentions 作为一种新的手动注释的生物医学概念识别资源，并描述了其 UMLS 2017 概念本体论中超过 3 百万个具体概念和 4000+ 个文摘和 350,000 多个链接提到的规模以及广泛覆盖生物医学学科领域的优点。同时，也提出了 MedMentions 子集，支持针对文档检索的实体识别任务。该数据集已包含训练、测试集，并且还提供了 Named Entity Recognition 的基线模型以及其指标，以鼓励相关领域的研究。

    Feb, 2019

  • 科学论文大型单主题文献库的交互式蒸馏

    利用机器学习技术构建针对科学文献的目标数据集工具，并通过主题建模进行文献综述，应用于机器学习领域。

    Sep, 2023

  • SciDTB：用于科学摘要的语篇依存树库

    本文介绍了针对科技文章的 SciDTB 语料库，使用依存树结构来表示篇章中各个部分之间的关系，成为评估篇章依存解析器的基准，并提供了一些基线用以评估。

    Jun, 2018

  • SciBERT : 一个针对科技文本的预训练语言模型

    SciBERT 是一种无监督预训练的基于 BERT 的语言模型，用于解决获取高质量、大规模标注科学数据的难题，并在多个科学领域的数据集上展示出比传统 BERT 模型更卓越的性能。

    Mar, 2019

  • 社交媒体医疗实体链接语料库 COMETA

    COMETA 语料库是一个新的英文生物医学实体提及数据集，其对于医疗术语和语言的复杂性有很高的覆盖率和质量，作者通过 2 种不同的评估场景，对 20 种不同的实体链接方法进行测试，发现没有完美的方案，基于不同数据视角的特性融合是最佳方法。

    Oct, 2020

  • 利用经过优化的大型语言模型从复杂的科技文本中提取结构化信息

    通过预先训练的语言模型 GPT-3，我们提出了一种简单的序列到序列方法来联合提取科学文本中的复杂层次信息的命名实体识别和关系抽取，并证明了这种方式能够准确提取复杂科学知识的有用记录。

    Dec, 2022

  • OpenMSD: 迈向多语言科技论文相似度测量

    我们在本工作中开发和评估了多语言科学文献相似度测量模型，这些模型可用于在不同语言中查找相关工作，从而帮助多语言研究人员更高效地找到和探索论文。我们提出了第一个多语言科学文献数据集 OpenMSD，其中包含 103 种语言的 74M 篇论文和 778M 个引文对。借助 OpenMSD，我们预训练了科学专业化语言模型，并探索了不同的策略来得到 “相关” 的论文对以进行模型的微调，包括使用引文、共引用和文献耦合对的混合。为了进一步提高非英语论文的模型性能，我们探索了使用生成语言模型为非英语论文生成英语摘要的方法。这使我们能够利用模型的英语能力为非英语论文创建更好的表示。我们的最佳模型在平均准确率上比强基线模型提高了 7-16%。

    Sep, 2023

  • 从文本中丰富本体学：一个用于概念发现和定位的生物医学数据集

    通过自动化方法将新概念放入知识库，提出基于 MedMentions 数据集的新基准来解决既定数据集常见的问题，并通过最近的大型语言模型方法进行评估。

    Jun, 2023