基于层次非负矩阵分解的COVID-19文献主题检索
数字图书馆
2020-09-22 v1 信息检索
机器学习
机器学习
摘要
我们编译了一个COVID-19相关科学文献数据集，整合了多个在线图书馆的文章，并筛选出具有开放获取权限和全文可用的文献。随后，使用层次非负矩阵分解（hierarchical nonnegative matrix factorization）将新型冠状病毒相关文献组织为树状结构，使研究人员能够基于检测出的主题检索相关文献。我们在文献主体中发现八个主要潜在主题和52个细粒度子主题，涉及疫苗、疾病遗传结构与建模、患者研究，以及相关疾病和病毒学。为使我们的工具能够帮助当前研究人员，我们创建了一个交互式网站，利用该层次结构组织可用文献。
引用
@article{arxiv.2009.09074,
title = {COVID-19 Literature Topic-Based Search via Hierarchical NMF},
author = {Rachel Grotheer and Yihuan Huang and Pengyu Li and Elizaveta Rebrova and Deanna Needell and Longxiu Huang and Alona Kryshchenko and Xia Li and Kyung Ha and Oleksandr Kryshchenko},
journal= {arXiv preprint arXiv:2009.09074},
year = {2020}
}