[论文解读] Automatic Identification of Research Fields in Scientific Papers

Éric Kergosien, Amin Farvardin+9 more|arXiv (Cornell University)|Jun 8, 2018

Geographic Information Systems Studies参考文献 10被引用 3

一句话总结

本文提出了一种自然语言处理与文本挖掘框架，用于自动识别多语言科学论文中的空间、时间和主题研究领域。通过标准化来自 ISTEX、CIRAD 和 ANRT 的异构语料库，该方法采用基于规则和机器学习的技术，对空间实体进行标注，精度达 90%，召回率达 60%，并借助基于网络的工具（SISO）实现地理空间感知的科学文献检索。

ABSTRACT

The TERRE-ISTEX project aims to identify scientific research dealing with specific geographical territories areas based on heterogeneous digital content available in scientific papers. The project is divided into three main work packages: (1) identification of the periods and places of empirical studies, and which reflect the publications resulting from the analyzed text samples, (2) identification of the themes which appear in these documents, and (3) development of a web-based geographical information retrieval tool (GIR). The first two actions combine Natural Language Processing patterns with text mining methods. The integration of the spatial, thematic and temporal dimensions in a GIR contributes to a better understanding of what kind of research has been carried out, of its topics and its geographical and historical coverage. Another originality of the TERRE-ISTEX project is the heterogeneous character of the corpus, including PhD theses and scientific articles from the ISTEX digital libraries and the CIRAD research center.

研究动机与目标

• 开发一种从异构科学文献中提取并标准化空间、时间与主题信息的方法。
• 使研究人员能够基于特定地理区域、时间段和研究主题检索文献。
• 支持对塞内加尔和马达加斯加地区气候变化研究中学科与跨学科研究趋势的分析。
• 构建一个可扩展、多语言且可扩展的系统，用于索引和查询带有地理空间与主题元数据的科学语料库。
• 开发一个基于网络的工具（SISO），支持领域专家对科学文献中的空间、时间与主题实体进行验证与标注。

提出的方法

• 使用统一数据模型对来自 ISTEX、CIRAD（Agritrop）和 ANRT（theses.fr）的标准化多语言科学语料库进行处理。
• 在 GATE（通用文本工程架构）中应用基于规则和模式匹配的技术，识别空间、时间与主题实体。
• 使用 Agrovoc 本体和离线查找表进行主题实体标注，同时为空间与时间特征开发自定义词典。
• 开发 SISO 网络应用程序，用于上传、可视化、校正和以 XML/MODS 格式导出标注后的语料库。
• 集成基于 Lucene 的 Elasticsearch，实现对标注语料库的高效索引与地理空间信息检索。
• 在 140 篇人工标注文档上进行性能评估，空间实体标注的平均精度为 78%，目前仍在对 600 篇文章进行评估。

实验结果

研究问题

• RQ1 如何从异构的多语言科学论文中自动提取空间、时间与主题信息？
• RQ2 基于规则的自然语言处理技术在识别科学文献中的地理位置和研究主题方面表现如何？
• RQ3 基于网络的标注与验证系统（SISO）能否有效支持领域专家对大规模科学语料库进行管理？
• RQ4 标准化元数据与语义本体的集成在多大程度上提升了科学文献中的地理空间信息检索能力？
• RQ5 机器学习在多大程度上能够增强科学文本中空间实体的消歧能力（例如，区分国家与组织）？

主要发现

• 在 10 篇英文文档的语料库上，系统在空间实体标注中达到 90% 的精度与 60% 的召回率；在更大规模的 140 篇文档人工评估中，精度为 78%。
• 处理 8,500 份文档的完整处理流程耗时 16,105 秒（平均每份文档约 1.9 秒），证明了系统的可扩展性。
• SISO 网络应用程序可实现对标注语料库的高效可视化、校正与导出，输出格式为 XML/MODS，便于下游应用。
• Agrovoc 本体与自定义词典的集成显著提升了主题实体标注效果，尤其在农业与环境主题方面。
• 利用 Elasticsearch 进行索引，实现了对大规模语料库的高效地理空间与主题搜索，支持地理信息检索（GIR）系统的发展。
• 未来工作将集成基于支持向量机（SVM）的机器学习模型，以提升空间实体的消歧能力，并计划与 ISO-Space 模型进行对比。