面向不断演变的学术数据的真实环境分类体系维护:可靠性、效率与成本效益

《Proceedings of the ACM on Management of Data》:Taxonomy Maintenance in the Wild over Evolving Scholarly Data: Reliability, Efficiency, and Cost-Effectiveness

【字体: 大 中 小 】 时间:2026年10月22日 来源:Proceedings of the ACM on Management of Data

编辑推荐:

   摘要AI 摘要要查看此 AI 生成的摘要,您必须拥有高级访问权限。了解更多登录摘要摘要科学出版物的快速增长使得学术分类体系迅速过时。我们研究了现实环境中的分类体系维护问题,这是一个新问题,它超越了静态构建,而是针对给定研究主题,持续地将分类体系适应不断演变的学术文献库(如 a

  

摘要

摘要

科学出版物的快速增长使得学术分类体系迅速过时。我们研究了现实环境中的分类体系维护问题,这是一个新问题,它超越了静态构建,而是针对给定研究主题,持续地将分类体系适应不断演变的学术文献库(如 arXiv)。我们提出了 GIST,一个用于维护演化分类体系的稳健框架。与纯粹以 LLM 为中心的方法不同,GIST 通过将论文"相关工作"部分中提取的部分层级结构作为专家策划的证据基础,来引导结构归纳。它将部分分类体系集成到一个统一的全球分类体系中,集成在几何盒嵌入空间中,其中盒包含关系编码了"是一种"关系的归纳偏差。为了将语义与几何结构联系起来,GIST 学习了一个词嵌入与盒嵌入之间的双向映射。为了高效的增量更新,GIST 使用新颖性感知的核心集选择,利用代表性的历史信号和新证据来更新模型,避免了代价高昂的完全重新训练。为了在用户特定的令牌预算下处理高速论文流,GIST 进一步将假设概念生成器与具有成本效益的证据检索模块相结合。在真实 arXiv 数据集上的实验表明,GIST 优于最先进的基线方法,在 Node F1 和 Edge F1 上分别比最强基线提升了 11.0% 和 13.1%,同时仅需要 9.6% 的运行时间和 12.7% 的资金成本。

AI 摘要

AI 生成的摘要(实验性)

本摘要使用自动化工具生成,并非由文章的作者撰写或审阅。其目的是支持发现、帮助读者评估相关性,并帮助相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要,后者仍是论文的主要摘要。完整文章仍然是权威版本。

点击此处 此处 评论此摘要的准确性、清晰度和实用性。这样做将有助于改进和未来的重新生成版本。

要查看此 AI 生成的简明摘要,您必须拥有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号