Paper-Analyzer

Paper-Analyzer zielt darauf ab, die Wissensgewinnung aus wissenschaftlichen (biomedizinischen) Artikeln über Deep Learning (DL)-Modelle für die Verarbeitung natürlicher Sprache (NLP) zu erleichtern. Der Kern des Paper-Analyzers ist ein Sprachmodell (LM), das mit Transformatoren-ähnlichen Architekturen entwickelt wurde, die auf wissenschaftliche Arbeiten abgestimmt sind. Das Ziel von LM ist es, das nächste Wort angesichts des Kontextes vorherzusagen. Wir haben Modelle trainiert, die auf dem LM aufbauen, um mehrere nachgelagerte Aufgaben wie Named-Entity-Recognition (NER), Relation-Extraction (RE) und Question-Answering (QA) als konsekutive Schritte zum Hauptziel, die automatische Wissensgewinnung, zu lösen.

Wir haben NER und RE in Form von Classifiern (die verschiedene Klassen zu Wörtern oder Worttupeln zuordnen) und QA in der extraktiven Form (wobei die Antwort auf eine Frage ein Textbereich ist) implementiert.

Wir experimentieren auch mit generativen Modellen für die Zusammenfassung von Papieren und Satzparaphrasierungsaufgaben.

Projekt

Paper-Analyzer ist eine webbasierte Anwendung, die Suchanfragen in einer Sammlung von 30 Millionen PubMed-Zeitschriftenzusammenfassungen durchführt

Gruppenmitglieder

Denis Stepanov
Leiter*in Forschungslabor/-gruppe
Ashot Kazaryan
Softwareentwickler
Aleksander Tarelkin
Softwareentwickler
Evgeny Dedov
Softwareentwickler
Daria Kuzmenko
Forscherin
Galina Ryazanskaya
Forscherin