通过抽象组件分类和选择改善系统审查更新与自然语言处理:算法开发和验证

科学领域:

• 图书统计学 图书统计学
• 信息科学 信息科学 信息科学
• 计算语言学 计算语言学

背景情况:

• 系统审查更新面临挑战,因为广泛的文章选工作负载.
• 当前的自然语言处理 (NLP) 选模型往往以统一的方式处理摘要,从而限制性能.
• 假设对特定抽象组件进行选择性训练可以提高模型的有效性.

研究的目的:

• 评估一种新的选模型,该模型利用特定的抽象组件来提高性能.
• 开发一个使用抽象组件分类器的自动系统审查更新模型.

主要方法:

• 开发了使用从手动分类的抽象组件 (标题,介绍,方法,结果,结论) 来得出的组件组合数据集的选模型.
• 使用来自变压器 (BERT),BioLinkBERT和BioM-ELECTRA预训练模型的双向编码器表示的模型的性能比较.
• 创建了一个抽象组件分类模型来自动选择组件,并使用这些自动分类数据集开发模型.

主要成果:

• 在所有测试的预训练模型中,在特定组件上训练的一些模型的表现优于在整个摘要上训练的模型.
• 使用自动分类组件的模型在性能上也超过了完全抽象模型.
• 在高回忆率 (0.93) 的手动选工作量下降了88.6%.

结论:

• 从标题和摘要中选择组件可以明显提高选模型的性能.
• 这种方法大大减少了系统审查更新的手动选工作量.
• 建议在各种系统审查领域进行进一步的验证.