抽取科学论断的细粒度知识图谱：数据集与基于 Transformer 的结果
计算与语言
2021-09-23 v1
摘要
近期基于 Transformer 的方法在关系型科学信息抽取上展现出可喜结果。现有数据集聚焦于研究如何开展的高层描述。与之相反，我们关注实验性关联如何被表述的细微之处，构建了 SciClaim——一个抽取自社会与行为科学（SBS）、PubMed 与 CORD-19 论文的科学论断数据集。我们新颖的图标注模式不仅包含作为节点的粗粒度实体跨度与作为边的关系，还包含修饰实体及其关系的细粒度属性，语料中总计 12,738 个标签。通过纳入更多标签类型且标签密度达先前数据集两倍以上，SciClaim 捕获了实验变量上的因果、比较、预测、统计与比例关联，及其限定语、子类型与证据。我们将基于 Transformer 的联合实体与关系抽取工作拓展以有效推断我们的模式，展示了细粒度知识图谱在科学论断及更广领域的应用前景。
引用
@article{arxiv.2109.10453,
title = {Extracting Fine-Grained Knowledge Graphs of Scientific Claims: Dataset and Transformer-Based Results},
author = {Ian H. Magnusson and Scott E. Friedman},
journal= {arXiv preprint arXiv:2109.10453},
year = {2021}
}
备注
8 pages, 4 tables, 4 figures, accepted at EMNLP 2021