机器阅读理解技术在材料科学中用于命名实体识别的应用

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 信息检索 信息检索

背景情况:

• 手动分析材料科学文献是耗时的.
• 传统的命名实体识别 (NER) 方法与语义信息和嵌套实体作斗争.
• 对物质实体的自动提取对于知识图构造至关重要.

研究的目的:

• 在材料科学中开发一种改进的命名实体识别 (NER) 方法.
• 解决序列标记方法在捕获语义信息和嵌套实体方面的局限性.
• 增强材料科学文献中的知识提取和数据分析.

主要方法:

• 将传统的序列标记NER任务转换为机器阅读理解 (MRC) 任务.
• 利用MRC有效地提取多个重叠和嵌套实体.
• 通过查询整合了先前的知识,以获得更深入的上下文理解.

主要成果:

• 在多个基准数据集 (Matscholar,BC4CHEMD,NLMChem,SOFC,SOFC-Slot) 上实现了最先进的 (SOTA) 性能.
• 报告的高F1分数为: 89.64% (Matscholar),94.30% (BC4CHEMD),85.89% (NLMChem),85.95% (SOFC) 和71.73% (SOFC-Slot). 报告的高F1分数为: 89.64% (Matscholar),94.30% (BC4CHEMD),85.89% (NLMChem),85.95% (SOFC) 和71.73% (SOFC-Slot). 报告的高F1分数包括: 89.64% (Matscholar),94.30% (BC4CHEMD),85.89% (NLMChem),85.95% (SOFC),和71.73% (SOFC-Slot). 报告中的高F1分数包括:
• 证明有效利用语义信息和提取嵌套实体.

结论:

• 拟议的基于MRC的NER方法显著提高了材料科学中的实体提取精度和效率.
• 这种方法为构建知识图表和推进现场数据分析提供了强有力的支持.
• 这项创新通过改进信息处理加速了新材料的发现和开发.