論文の概要: PubSqueezer: A Text-Mining Web Tool to Transform Unstructured Documents into Structured Data

• arxiv url: http://arxiv.org/abs/2011.03123v2
• Date: Mon, 9 Nov 2020 07:51:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 12:43:16.565157
• Title: PubSqueezer: A Text-Mining Web Tool to Transform Unstructured Documents into Structured Data
• Title（参考訳）: pubsqueezer - 非構造化ドキュメントを構造化データに変換するテキストマイニングwebツール
• Authors: Alberto Calderone
• Abstract要約: テキストマイニング戦略を用いて非構造化バイオメディカル物品を構造化データに変換するウェブツールを提案する。 生成された結果は、明らかに報告されていない情報を示す可能性のある、複雑なトピックに関する簡単な概要を提供する。 PubSqueezer を用いた文献分析により,SARS-CoV-2 に関する既知の事実を記述できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The amount of scientific papers published every day is daunting and constantly increasing. Keeping up with literature represents a challenge. If one wants to start exploring new topics it is hard to have a big picture without reading lots of articles. Furthermore, as one reads through literature, making mental connections is crucial to ask new questions which might lead to discoveries. In this work, I present a web tool which uses a Text Mining strategy to transform large collections of unstructured biomedical articles into structured data. Generated results give a quick overview on complex topics which can possibly suggest not explicitly reported information. In particular, I show two Data Science analyses. First, I present a literature based rare diseases network build using this tool in the hope that it will help clarify some aspects of these less popular pathologies. Secondly, I show how a literature based analysis conducted with PubSqueezer results allows to describe known facts about SARS-CoV-2. In one sentence, data generated with PubSqueezer make it easy to use scientific literate in any computational analysis such as machine learning, natural language processing etc. Availability: http://www.pubsqueezer.com
• Abstract（参考訳）: 毎日発行される科学論文の量は、途方もなく増え続けている。 文学に追いつくことは挑戦である。 もし新しいトピックを探求し始めるなら、多くの記事を読むことなく全体像を得るのは難しい。 さらに、文献を読む際には、新たな質問をすることで、発見につながる可能性がある。 本研究では、テキストマイニング戦略を用いて、非構造化バイオメディカル物品の大規模なコレクションを構造化データに変換するウェブツールを提案する。 生成された結果は、明示的に報告されていない情報を提案できる複雑なトピックに関する簡単な概要を提供する。 特に、2つのデータサイエンス分析を示します。 まず,本ツールを用いた文献ベースのまれな疾患ネットワーク構築について述べる。 次に,PubSqueezer を用いた文献分析により,SARS-CoV-2 に関する既知の事実を記述できることを示す。 1つの文では、pubsqueezerで生成されたデータは、機械学習や自然言語処理など、あらゆる計算分析で科学的な読み書きを簡単に利用できます。 利用可能: http://www.pubsqueezer.com

関連論文リスト

• Contri(e)ve: Context + Retrieve for Scholarly Question Answering [0.0]
  本稿では,オープンソースのLarge Language Model (LLM): Scholarly-QALDデータセット用のLlama3.1を提案する。 まず、異なる構造化データソースと非構造化データソースから質問に関連するコンテキストを抽出する。 第2に,LLMの情報検索性能を向上させるために,プロンプトエンジニアリングを実装した。
  論文  参考訳（メタデータ） (2024-09-13T17:38:47Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Interactive Distillation of Large Single-Topic Corpora of Scientific Papers [1.2954493726326113]
  より堅牢だが時間を要するアプローチは、主題の専門家が文書を手書きするデータセットを構成的に構築することである。 ここでは,学術文献のターゲットデータセットを構築的に生成するための,機械学習に基づく新しいツールを紹介する。
  論文  参考訳（メタデータ） (2023-09-19T17:18:36Z)
• Data-Driven Information Extraction and Enrichment of Molecular Profiling Data for Cancer Cell Lines [1.1999555634662633]
  本研究では,新しいデータ抽出・探索システムの設計,実装,応用について述べる。 我々は、ゲノムコピー番号の変種プロットと、ランク付けされた関連エンティティの自動リンクを可能にする、新しい公開データ探索ポータルを導入する。 私たちのシステムは、https://cancercelllines.org.comで公開されています。
  論文  参考訳（メタデータ） (2023-07-03T11:15:42Z)
• The Semantic Scholar Open Data Platform [79.4493235243312]
  セマンティック・スカラー(Semantic Scholar、S2)は、学術文献の発見と理解を支援することを目的としたオープンデータプラットフォームおよびウェブサイトである。 我々は、学術的なPDFコンテンツ抽出と知識グラフの自動構築のための最先端技術を用いて、パブリックおよびプロプライエタリなデータソースを組み合わせる。 このグラフには、構造解析されたテキスト、自然言語要約、ベクトル埋め込みなどの高度な意味的特徴が含まれている。
  論文  参考訳（メタデータ） (2023-01-24T17:13:08Z)
• Structured information extraction from complex scientific text with fine-tuned large language models [55.96705756327738]
  そこで本研究では,共振器認識と関係抽出のための簡単なシーケンス・ツー・シーケンス手法を提案する。 このアプローチは、約500組のプロンプトで微調整された、事前訓練済みの大規模言語モデル(LLM)であるGPT-3を利用する。 このアプローチは、構造化されていないテキストから抽出された構造化知識の大規模なデータベースを得るための、シンプルで、アクセス可能で、非常に柔軟な経路を示す。
  論文  参考訳（メタデータ） (2022-12-10T07:51:52Z)
• WikiDes: A Wikipedia-Based Dataset for Generating Short Descriptions from Paragraphs [66.88232442007062]
  ウィキデックスはウィキペディアの記事の短い記述を生成するデータセットである。 データセットは、6987のトピックに関する80万以上の英語サンプルで構成されている。 本論文は,ウィキペディアとウィキデータに多くの記述が欠落していることから,実際的な影響を示すものである。
  論文  参考訳（メタデータ） (2022-09-27T01:28:02Z)
• CitationIE: Leveraging the Citation Graph for Scientific Information Extraction [89.33938657493765]
  引用論文と引用論文の参照リンクの引用グラフを使用する。 最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
  論文  参考訳（メタデータ） (2021-06-03T03:00:12Z)
• How to Train Your Agent to Read and Write [52.24605794920856]
  研究論文の読み書きは、資格のある研究者が習得すべき最も特権のある能力の1つである。 読者が論文を読み、要約できるようにインテリジェントなエージェントを訓練し、おそらく新しい論文を書くための潜在的な知識の手がかりを発見し、活用できれば、それは魅力的です。 本研究では,入力段落から知識グラフ(KG)を抽出して潜在的な知識を発見できるtextitReader,新規段落を生成するgraph-to-text TextitWriter,およびtextitから構成されるDeep ReAder-Writer(DRAW)ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-01-04T12:22:04Z)
• Machine Identification of High Impact Research through Text and Image Analysis [0.4737991126491218]
  本稿では,引用の可能性が低い論文から高い論文を自動的に分離するシステムを提案する。 本システムでは,文書全体の外観を推測する視覚的分類器と,コンテンツインフォームド決定のためのテキスト分類器の両方を用いる。
  論文  参考訳（メタデータ） (2020-05-20T19:12:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。