- Um große Mengen an wissenschaftlichen Arbeiten schnell zu lesen, wurde ein „Modell entwickelt, das unbekannte Papers zusammenfasst“
→ Dokumentzusammenfassung und Übersetzung werden mit über Open API zugänglichen Deep-Learning-Modellen umgesetzt und in Python implementiert
Video der Präsentation bei der Society for Practical Artificial Intelligence (AAiCON) (Zusammenfassung)
- In der Skimming-Phase wird das Abstract des Papers verwendet
- Scopus-Abfrage
- Mithilfe der Wikipedia API werden unter den Synonymen repräsentative Begriffe gefunden
- Es wird ein Knowledge Graph erzeugt und eine Inverse Depth First Search durchgeführt, um relevante Technologien zu ermitteln
- Aus natürlichsprachlichen Abstracts wird eine Menge bedeutungsvoller Begriffe extrahiert
- Zusammenfassung: Auswahl des Ziels
- (1) Natürlichsprachliche Analyse und satzförmige Zusammenfassung
- Es werden hervorragende Journal-Papers aus den letzten 3 Jahren ausgewählt und nach Impact Factor sortiert
- Englische Abstracts werden mit TLDRThis von RapidAPI auf Transformer-Basis zu kurzen Sätzen zusammengefasst
- Die zusammengefassten Sätze werden mit Naver Papago maschinell von Englisch nach Koreanisch übersetzt
- (2) Regelbasierte Extraktion von Schlüsselsätzen
- Verwendet werden unter anderem „we found that“, „in this study“, „we present that“, „we provide“
- Diese Schlüsselsätze werden ebenso mit Papago übersetzt
- Der fertige Inhalt wird als Doc-Datei mit KR/EN zusammen erstellt
1 Kommentare
Wow, das scheint extrem nützlich zu sein.
Vielen Dank für die guten Informationen. Ich sollte mir das mal ansehen.