STEM-ECR 数据集：将 STEM 学术内容中的科学实体指称对齐至权威百科与辞书来源
信息检索
2020-07-29 v4 人工智能
计算与语言
数字图书馆
摘要
我们介绍了用于科学实体抽取、分类与消歧的 STEM（科学、技术、工程与医学）数据集 1.0 版（STEM-ECR v1.0）。STEM-ECR v1.0 数据集旨在为以领域无关方式评估科学实体抽取、分类与消歧任务提供基准。其包含在某主要出版平台上被发现发文量最高的 10 个 STEM 学科的摘要。我们描述了此类多学科语料的构建，并基于以下特征突出所得发现：1）多学科科学语境下科学实体的通用概念形式化；2）在此通用形式化下科学实体领域无关人工标注的可行性；3）使用基于 BERT 的神经模型自动抽取多学科科学实体可获得的性能基准；4）通过百科实体链接与辞书词义消歧进行科学实体人工标注的明确三步实体消歧流程；以及 5）对我们实体的 Babelfy 返回百科链接与辞书词义的人工评估。我们的发现累积表明，在如 STEM 这般广泛的环境下，科学实体的多学科人工标注与自动学习及其语义消歧是合理的。
引用
@article{arxiv.2003.01006,
title = {The STEM-ECR Dataset: Grounding Scientific Entity References in STEM Scholarly Content to Authoritative Encyclopedic and Lexicographic Sources},
author = {Jennifer D'Souza and Anett Hoppe and Arthur Brack and Mohamad Yaser Jaradeh and Sören Auer and Ralph Ewerth},
journal= {arXiv preprint arXiv:2003.01006},
year = {2020}
}
备注
Published in LREC 2020. Publication URL https://www.aclweb.org/anthology/2020.lrec-1.268/; Dataset DOI https://doi.org/10.25835/0017546