Text classification using labels derived from structured knowledge representations
Notice bibliographique
Résumé
ABR G Les reprsentations de savoir structures telles que Wikipedia sont devenues un lment important dans le domaine des sciences de l'information.Les compagnies d'engins de recherche ont dit que construire un rseau d'entits est pour eux la cl pour faire la classification de leurs normes bases de donnes remplies de documents.Notre document prsente WikiLabel, une approche nouvelle la classification de texte en utilisant du savoir obtenu de ces sources de savoir structures.Elle reconnat les entits de Wikipedia dans un document et utilise, parmi d'autres mesures, la mesure de la plus courte distance entre chaque entit et des catgories de Wikipedia.Ceci permet de dterminer quelle catgorie est davantage associe avec le document sous observation.La deuxime partie de notre travail utilise les classifications obtenues en utilisant WikiLabel et entrane une intelligence artificielle pour classifier des documents, une approche appele SuperWikiLabel.Nous obtenons des articles de nouvelles ainsi que des classements de haute qualit effectues par des humains pour valuer la performance de WikiLabel et SuperWikiLabel.Nous trouvons que la performance de WikiLabel est comparable d'autres mesures, et que celle de SuperWikiLabel est aussi comparable une approche traditionnelle d'intelligence artificielle, o les documents sont classs par des humains plutt que par WikiLabel.Notre travail indique qu'il pourrait tre possible d'liminer en grande partie le classement de documents par des humains, et nous croyons que notre approche est beaucoup plus flexible et pratique que les mthodes habituelles qui doivent obtenir v un groupe de documents classs par des humains, qui est parfois coteux en termes de ressources.vi
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».