R-classify：从受控词汇表中提取研究论文的相关概念

软件影响14（2022）100444原始软件出版物R-classify：从受控词汇表中提取研究论文的相关概念Tanay Aggarwal、Angelo Salatino、Francesco Osborne、Enrico MottaKMi，开放大学，沃尔顿大厅，米尔顿凯恩斯，MK7 6AA，英国A R T I C L E I N F O保留字：主题检测主题提取学术数据科学文本挖掘学术本体A B标准在过去的几十年里，我们看到网上的科学文章激增。这种数据丰富的环境提供了若干机会，但也带来了挑战，因为探索这些资源并确定 所有相关内容。因此，至关重要的是，要用相关概念对它们进行适当的注释以增加它们被正确索引和检索的机会。在本文中，我们提出了R-分类，网络工具，帮助用户识别最相关的概念，根据大规模的本体论的研究领域在计算机科学领域代码元数据当前代码版本v1.0用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2022-247可复制胶囊法律代码许可证Apache许可证2.0使用git的代码版本控制系统使用的软件代码语言、工具和服务语言：Python、JavaScript、PHP、HTML、CSS、Java。框架：Django.数据库：MongoDB。其他工具：Grobid。编译要求，操作环境依赖性所有必要的要求都列在文件requirements. txt中。参阅文档自动安装它们。如果可用，链接到开发人员文档/手册https://github.com/angelosalatino/r-classify/blob/master/README.md问题支持电子邮件angelo. open.ac.uk1. 介绍近年来，科学界以前所未有的速度生产和传播知识。据估计，每年有超过200万篇研究论文发表[1]。因此，导航和搜索如此大量的文档变得具有挑战性。在某些情况下，网络搜索引擎很难找到相关信息，最终导致令人沮丧和不满意的体验[2]。由于缺乏界定一套主题领域的具体准则， 或用于注释研究文档的关键字。这些通常由研究人员或图书馆员手动选择，然而他们可能使用非常不同的风格和粒度级别，导致非常稀疏和嘈杂的表示。例如，他们通常使用大量的∗通讯作者。相同概念的语法形式，例如，点对点，对等，对等网络，对等系统。为了提高研究内容的可检索性，有必要用一组概念对文档进行注释，(i) 标准化，（二）高质量，（三）全面。这样的表示可以更有效地支持数字图书馆、搜索引擎和推荐系统[3，4]。它还可以促进科学计量学分析和监测和预测研究趋势的系统[5]。在本文中，我们提出了R-Classify，一种新的Web应用程序，用于帮助用户选择最佳的研究主题集来描述科学文章。其主要目的是帮助研究人员提高他们用来注释论文的关键词的质量。 然而，它也可以被图书馆员、出版编辑和许多其他人使用。电子邮件地址：tanay. open.ac.uk（T.Aggarwal），angelo. open.ac.uk（A.Salatino），francesco. open.ac.uk（F.奥斯本），恩里科.莫塔@ open.ac.uk（E。Motta）。https://doi.org/10.1016/j.simpa.2022.100444接收日期：2022年10月28日;接受日期：2022年11月7日2665-9638/©2022作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsT. Aggarwal，A. 萨拉蒂诺湾 Osborne等人软件影响14（2022）1004442需要在技术文本中对主题进行良好描述的利益相关者。R-Classify建立在CSO分类器的基础上，CSO分类器是一种根据计算机科学本体中的相关主题自动对研究论文进行分类的工具。计算机科学本体（CSO）描述了计算机科学领域中超过14K的研究概念CSO分类器作为Python库提供，在最后一个几年来，它已被几个组织采用，用于对研究文章、专利、技术文件、研究报告和课程材料进行分类。[8例如，Springer Nature目前正在使用它来提高其会议论文集的元数据质量[3]。最近对计算机科学研究论文黄金标准的22种方法进行的评估表明，分类器提供了研究论文中突出主题的高质量和准确的表示[11]。R-Classify旨在使CSO分类器易于为所有用户使用，无论其技术技能如何。R-Classify可通过浏览器访问https://w3id.org/cso/classify。该界面允许用户输入任意文本（通常是科学论文的标题和摘要）或上传PDF文件。在后一种情况下，该工具利用GROBID [12]从PDF文件中提取标题和摘要。一旦分类完成，界面将显示来自CSO本体的概念列表，以及注释文本（见图2）。3）。在这个阶段，用户可以细化和导出返回的概念，这些概念通常用作输入研究论文的关键字。因此，所得到的概念集通过计算机科学本体标准化;由于CSO分类器的能力，它具有高质量;并且由于CSO的大覆盖范围和用户的细化，它全面该 代 码 是 开 源 的 ， 使 用 Apache 许 可 证 2.0 ， 可 在https://github.com/angelosalatino/r-classify上获得。本文件的结构如下。在第2节中，我们介绍了R-Classify的主要架构，详细解释了它的所有组件。在第3节中，我们描述了该工具的影响。最后，在第4节中，我们讨论了未来的研究和开发路线2. 架构R-Classify是一个Web应用程序，帮助研究人员用全面的研究概念来注释他们的论文。它将论文的标题和摘要作为输入，并返回（i）一组相关的研究主题和（ii）输入文本的注释版本，识别触发每个主题的文本部分图1描述了R-Classify的架构。 它由五个主要部分组成。用户界面允许用户通过加载数据、分析和修改生成的主题以及导出结果来与工具进行交互。后端引擎处理用户交互并编排分类过程。GROBID从PDF文件中提取论文的文本。CSO分类器解析文本并提取相关主题。最后，数据库保存分类结果和所选概念的记录，目的是提高分类器的性能。在下面的小节中，我们将详细描述所有组件2.1. 后端后端是管理各种模块的核心引擎。它是使用Django在Python中开发的，Django是一个开放的框架，允许HTML页面嵌入Python代码。处理后，后端将其发送到CSO分类器，并将带注释的文档返回给用户。最后，后端负责与MongoDB数据库的通信，并保存为每个文档生成的文本和主题后端已经以模块化的方式设计和实现，以支持未来的扩展。特别是，我们计划纳入涵盖其他科学领域的额外分类器2.2. CSO分类器CSO Classifier是一个开源的Python工具，我们开发它是为了根据计算机科学本体（CSO）中的研究主题对文档进行分类。在这种情况下，CSO充当14K研究主题的受控词汇表（例如，区块链，深度学习）在计算机科学领域。为了使本文自成一体，我们将简要概述分类器。感兴趣的读者可以参考[11]以了解更多细节。CSO分类器由三个顺序模块组成：（i）句法，(ii) 语义，和（iii）后处理。语法模块查找论文中明确提到的本体中的所有主题。首先，它提取unigram、bigram和trigram。然后，它使用Levenshtein相似性来比较每个n-gram与CSO中的所有主题。作为输出，该模块返回相似度大于或等于预定义阈值的主题。语义模块通过计算文档中的术语与CSO主题之间的语义相似度来识别进一步的主题。为了做到这一点，它利用了一个词性标记器和一个预训练的词嵌入模型，该模型能够捕获词的语义属性。特别是，使用词性标注器，语义模块识别出由名词和形容词组合而成的候选词，然后将其分解为一元词、二元词和三元词。接下来，对于它检索的所有提取的n元语法，从词嵌入模型中找出最相似的主题。然后，通过计算它们的相关性得分来排名和选择最相关的。具体来说，它计算输入文本中识别主题的次数与导致该主题的唯一术语的数量之间的乘积。最后，它使用肘方法选择最相关的主题。后处理模块获取返回的主题的并集通过前面的两个模块，因为这个解决方案最大化了f分数，基于我们以前的实验[11]。接下来，它识别在分析的文档的上下文中似乎不相关的离群主题。具体来说，分类器计算主题之间的成对相似度，同时考虑CSO内的最短路径的长度和词嵌入模型内的相似度。 然后，它丢弃与其他主题最不相似的主题。最后，它利用CSO中的层次关系，通过包含更广泛的主题来进一步增强所产生的主题集。例如，一篇标记为深度学习的论文也标记为人工智能。事实上，该解决方案产生了文档中未明确提及的高级主题的全面特征化。2.3. 格罗比德R-Classify使用GROBID从PDF文件中提取标题和摘要。GROBID是GeneRation Of Bibliographic Data2的缩写，它是一个机器学习工具，用于解析PDF格式的技术和科学出版物。它会自动提取元数据、结构化文本和书目参考等信息。[12 ]第10段。它是用Java开发的，并提供了一个REST API，可用于POST PDF文档，并根据TEI（文本编码）检索文档的表示形式后端负责处理来自通过使用相关模块的Web界面。每当用户加载PDF文件时，后端将其发送到GROBID模块以提取原始文本，然后删除该文件。文本准备就绪后，1从Pypi下载CSO分类器-https://pypi.org/project/cso-classifier/2 Grobid -https://github.com/kermitt2/grobidT. Aggarwal，A. 萨拉蒂诺湾 Osborne等人软件影响14（2022）1004443Fig. 1. R-Classify架构。图二. R-Classify的着陆页倡议）标准。特别是，GROBID能够提取高达55个不同的功能，包括出版物元数据（如标题，作者，摘要，关键字，隶属关系，隶属关系地址，期刊名称等）以及全文结构（章节标题，参考标记，段落，脚注，标题等）。先前的实验[13]表明，GROBID获得了高的精确率（85.11%）和召回率（83.8%），并且能够胜过几个替代工具。因此，目前，一些在线工具，包括ResearchGate、Mendeley、scite.ai和Academia.edu。2.4. 数据库R-Classify使用MongoDB（一种流行的面向文档的NoSQL数据库）的实例来存储关于在服务器上执行的各种分类的目的是利用T. Aggarwal，A. 萨拉蒂诺湾 Osborne等人软件影响14（2022）1004444图三. 分类的结果用户对主题的反馈，以评估和改进分类过程。特别是，对于每个分类文档，R-Classify会保存一个JSON记录，其中包含以下信息：• 用户内容：输入文档的标题和摘要• 生成的主题：CSO分类器返回的主题• Topics Chosen：用户选择的主题• 添加的主题：用户选择的CSO分类器未返回的附加主题。我们使用用户选择和导出的主题部分来建立和改进我们的黄金标准。这将用于测试和增强CSO分类器的未来版本以及开发新的分类器。此外，我们会在有限的时间内保存IP地址和时间戳，以评估该工具在不同国家/地区的使用情况。因为我们还处理尚未发表的研究论文（例如，在提交或相机准备阶段），可能会出现一些关于我们使用解析的研究文档的问题。 因此，重要的是要澄清，R-Classify既不提取也不保留PDF文档中可用的其他信息，例如作者，从属关系，全文。此外，PDF文件在被Grobid处理后很快就会被删除，以保护我们用户的知识产权所有收集的数据和MongoDB实例都位于防火墙后面的服务器中，不会与开放大学以外的其他团队/研究人员共享。2.5. 图形用户界面R-Classify拥有交互式和动态的用户界面。一旦Web应用程序加载到浏览器中，用户可以输入文本或加载PDF文件，如图所示。二、在后一种情况下，R- Classify将运行GROBID并将研究论文元数据显示给用户，请求确认。然后，用户可以通过点击R-Classify按钮继续进行分类几秒钟后，应用程序将显示分类的输出，如图所示。3 .第三章。这包括三个主要部分：（一）建议的主题，（二）选定的主题，（三）注释文件。建议主题列出了分类器返回的所有主题。在这个集合中，可以通过点击“添加超级主题”按钮，根据CSO进一步添加所有超级主题。例如，如果“神经网络”是主题之一，则系统将添加高级主题“机器学习”和“人工智能”。“选定主题”部分是包含用户选择的所有主题的篮子。主题可以从建议的主题移动到选定的主题，只需简单的拖放，或单击每个主题上可用的蓝色加号图标（+）按钮用户还可以T. Aggarwal，A. 萨拉蒂诺湾 Osborne等人软件影响14（2022）1004445使用“选择所有主题”选项接受主题。每个主题都有 一个信息图标（i）按钮，可进入详细介绍该主题的CSOPortal3用户还可以选择使用“添加其他主题”按钮手动添加主题注释文档部分，在图的底部。3，显示了原始文件的注释版本。此视图突出显示用于标识主题的文本的所有部分。将鼠标移到突出显示的部分上将显示从该文本块推断出的主题要导出所选主题，用户可以单击3. 影响自发布以来，计算机科学本体和CSO分类器都受到了越来越多的关注。特别是，它们被几个应用程序使用，并被证明有效地支持广泛的任务，例如探索和分析学术数据（例如，Rexplore [14] ，ScholarLensViz [15]，ConceptScope [10]），检测研究社区（例如，基于时间语义主题的聚类[16]，研究社区地图生成器[17]），识别领域专家（例如，VeTo [18]），推荐文章[4]和视频课程[19]，生成知识图（ 例如， 时间KG [20] ，AIDA KG [21] ，AI KG [22] ，CS KG[23]）和主题模型（例如，Co-CoNoW [9]）。计算机科学本体论，也被一系列预测系统：（i）学术影响（例如， ArtSim [8]，Au- gur [5]），（ii）研究主题（例如，Augur [5]），（iii）本体概念（例如，SIM [24]、POE [25]），以及（iv）技术（例如，TTF [26]，TechMiner [27]）。此外，CSO和CSO Classifier都支持Springer Nature编辑团队使用的几个应用程序，例如Smart Topic Miner [3]，一种用于辅助会议图书分类的工具，以及Smart Book Recommender [4]，一种科学卷的推荐系统。R-Classify的开发旨在覆盖更广泛的用户，特别是那些可能不懂技术的用户。 事实上，随着应用程序的在线和准备就绪，它可以被任何用户使用，而无需特定的技术和编码技能。它专门针对那些希望在将其提交给会议或期刊之前为其研究文件确定适当概念集的研究人员。研讨会和会议组织者还可以鼓励作者提交由R- Classify提取的格式良好的主题的手稿，以便更好地了解文章中的研究领域并提高元数据的质量。事实上，我们现在正在与几个学术活动的组织者合作（例如，Sci- K，RefResh，Text 2KG，DL 4KG，SEMANTiCS），他们计划要求作者在提交前使用R-Classify对其手稿进行注释。编辑和编辑助理还可以利用R-Classify组织会议记录或期刊中的内容。最后，它可以用于图书馆员谁需要产生丰富的描述存放的手稿，以提高他们在数字图书馆的可查找性4. 结论和今后的工作在本文中，我们介绍了R-Classify，一个Web应用程序，支持研究人员，会议组织者，图书馆员和编辑从研究文档中提取最突出的概念。它集成了CSO Classifier（一种根据计算机科学本体中的主题对研究文档进行分类的工具）和GRO- BID（一种用于从PDF格式的研究论文中提取元数据的机器学习工具）。作为未来的工作，我们计划在多个方面开展工作。 首先，我们将收集用户社区的反馈，并改进3CSO门户网站-https://cso.kmi.open.ac.uk接口和功能。我们还打算通过利用R-Classify收集的数据并集成基于transformers的最新NLP解决方案最后，我们计划通过考虑计算机科学中的其他分类方案（例如，ACM计算分类系统4）和其他领域。目前，我们正在研究用于工程和生物医学领域竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作引用[1]Santo Pasteato 等 人 ， Science of science ， Science 359 （ 6379 ） （ 2018 ）eaao0185，http://dx.doi.org/10.1126/science.aao0185，URLhttps://www.science.org/doi/abs/10.1126/science.aao0185，arXiv：https://www.science.org/doi/pdf/10.1126/science.aao0185。[2]Daan Odijk等人， 挣扎和成功的网络搜索，在：第24届ACM国际会议信息和知识管理，CIKM '15，计算机械协会，纽约，纽约，美国，ISBN：9781450337946，2015年，页。1551http://dx.doi.org/10.1145/[3]安吉洛·A Salatino等人， Improving editorial workflow and metadata qualityatspringer nature ， in ： Chiara Ghidini ， Olaf Hartig ， Maria Maleshkova ，VojtenchSvátek ， Isabel Cruz， Aidan Hogan ， Jie Song ， Maxime Lefrançois ，Fabien Gandon（Eds.），The Semantic Web- ISWC 2019，Springer InternationalPublishing，Cham，ISBN：978-3-030-30796-7，2019，pp. 507-525[4]Thiviyan Thanapalasingam等 人 ， 基 于 本 体 的 编 辑 产 品 推 荐 ， 载 于 ： DennyVrandečić ， Kalina Bontcheva ， Mari Carmen Suárez-Figueroa ， ValentinaPresutti，Irene Celino，Marta Sabou，Lucie-Aimée Kaffee，Elena Simperl（编辑 ） ， The Semantic Web- ISWC 2018 ， Springer International Publishing ，Cham，ISBN：978-3-030-00668-6，2018，pp. 341-358[5]安吉洛·A Salatino，Francesco Osborne，Enrico Motta，AUGUR：Forecasting theemergence of new research topics，in：Proceedings of the 18th ACM/IEEE数字图书馆联合会议，JCDL '18，ACM，新约克，纽约，USA，ISBN：978-1-4503-5178-2，2018，pp. 303http://dx.doi.org/10.1145/[6]安吉洛·A Salatino等人，CSO分类器：Ontology-driven detection ofresearch topicsin academic articles ， in ： Antoine Doucet ， Antoine Isaac ， KoraljkaGolub ，Trond Aalberg，Adam Jatowt（Eds.），Digital Libraries for Open Knowl-edge，Springer International Publishing，Cham，ISBN：978-3-030-30760-8，2019，pp. 296-311[7]安 吉 洛 ·A Salatino 等 人 ， The computer science ontology ： A large-scaletaxonomyof research areas ， in ： Denny Vrandečić ， Kalina Bontcheva ， MariCarmenSuárez-Figueroa，Valentina Presutti，Irene Celino，Marta Sabou，Lucie-Aimée Kaffee，Elena Simperl（Eds.）The Semantic Web- ISWC 2018，SpringerInternational Publishing，Cham，ISBN：978-3-030-00668-6，2018，pp. 187-205[8]Serafeim Chatzopoulos等人，Artsim：最近文章的当前影响的改进估计，在：ADBIS，TPDL和EDA 2020共同研讨会和博士生联盟，施普林格，2020年，pp.323-http://dx.doi.org/10.1007/978-3-030-[9]Marc Beck等人，从自动关键字检测到基于本体的主题建模，在：国际研讨会上的文件分析系统，施普林格，2020年，页。451http://dx.doi.org/10.1007/978-3-030-57058-3_32[10] Xiaoyu Zhang，Senthil Sentrasegaran，Kwan-Liu Ma，ConceptScope：基于领域本体的文档中的组织和可视化知识，载于：2021年CHI计算系统中人为因素会议的筹备会，2021年，pp. 1-13号。[11] Angelo Salatino ， Francesco Osborne ， Enrico Motta ， CSO classifier 3.0 ： Ascalable unsupervised method for classifying documents in terms of researchtopics ， Int.J.Digit. Libr. （ 2021 ） http://dx.doi.org/10.1007/s00799-021-00305-y。[12]格罗比德，2008-2021年。[13]Laurent Romary ， Patrice Lopez ， GROBID - Information Extraction fromScientific Publications ， ERCIM News 100 （ 2015） Scientific Data Sharing andReuse，URLhttps://hal.inria.fr/hal-01673305.4 ACM计算分类系统-https://dl.acm.org/ccsT. Aggarwal，A. 萨拉蒂诺湾 Osborne等人软件影响14（2022）1004446[14]Francesco Osborne ， Enrico Motta ， Paul Mulholland ， Exploring academicdatawith rexplore，in：Harith Alani，Lalana Kagal，Fokoue，PaulGroth，Chris Biemann ， Josiane Xavier Parreira ， Lora Aroyo ， Natasha Noy ， ChrisWelty，Krzysztof Janowicz（编辑），The Semantic Web- ISWC 2013，SpringerBerlin Heidelberg，柏林，海德堡，2013，pp. 460-477[15]F. Löffler 等 人 ， ScholarLensViz ： A visualization framework for transparencyinsemantic user profiles，in：Kerry Taylor，Rafael Gonçalves，Freddy Lecue，Jun Yan（Eds.），ISWC 2020演示和行业跟踪会议记录：从新颖的想法到工业实践，与第19届国际语义网会议（ISWC 2020）共同举办，全球在线，2020年11月1日至6日（UTC），2020年。[16]Francesco Osborne ， Giuseppe Scavo ， Enrico Motta ， Identifying diachronictopic-based research communities by clustering shared research trajectories ，in：European Semantic Web Conference，Springer，2014，pp. 114-129[17]Francesco Osborne ， Giuseppe Scavo ， Enrico Motta ， A hybrid semanticapproachtobuildingdynamicmapsofresearchcommunities ， in ：InternationalConferenceonKnowledgeEngineeringandKnowledgeManagement，Springer，2014，pp. 356-372.[18]Thanasis Vergoulis等人 ， Veto： Expert set expansion in academia， in：MarkHall，Tanja Merčun，Thomas Risse，Fabien Duchateau（Eds.），开放知识的数字图书馆，施普林格国际出版社，Cham，ISBN：978-3-030-54956-5，2020年，pp. 48http://dx.doi.org/10.1007/978-3-030-54956-5_4[19]Marcos Vinícius Macêdo Borges，Julio Cesar dos Reis，Semantic-enhanced rec-commendation of video lectures，收录于：2019 IEEE第19届高级学习技术国际会 议 ， 第 2161 卷 ， ICALT ， IEEE ， 2019 年 ， 第 100 页 。42http://dx.doi.org/10.1109/ICALT.2019.00013[20]Anderson Rossanez，Julio Cesar dos Reis，Ricardo da Silva Torres，通过时间知识图表示科学文献演变，2020年。[21]Simone Angioni等人， AIDA：关于研究动态的知识图谱在学术界和工业界，Quant。Sci.（ISSN：2641-3337）2（4）（2022）1356http://dx.doi.org/10.1162/qss_a_00162[22]Danilo Desskirk等人，AI-kg：一个自动生成的人工智能知识图，在：国际语义网会 议 ， 施 普 林 格 ， 2020 年 ， pp 。 127http://dx.doi.org/10.1007/978-3-030-62466-8_9[23]Danilo Desskirk等人，CS-KG：计算机科学研究实体和主张的大规模知识图，国际语义网会议，ISWC，2022。[24]Amparo Elizabeth Cano-Basave，Francesco Osborne，Angelo Antonio Salatino，Ontology forecasting in scientific literature ： Semantic concepts predictionbasedon innovation-adoption priors ， in ： Eva Blomqvist ， Paolo Ciancarini ，FrancescoPoggi，Fabio Vitali（Eds.），《知识工程与知识管理》，施普林格国际出版社，Cham，ISBN：978-3-319-49004-5，2016年，第100页。51比67[25]Francesco Osborne，Enrico Motta，Pragmatic ontology evolution：简化用户需求和应用程序性能，在：国际语义Web会议，Springer，2018年，pp. 495-512[26]Francesco Osborne，Andrea Mandarci，Enrico Motta，预测技术在研究社区的传播，在：知识捕获会议论文集，2017年，pp. 1-8号。[27]Francesco Osborne ， Hélène de Ribaupierre ， Enrico Motta ， TechMiner ：Extractingtechnologies from academic publications ， in ： European KnowledgeAcquisitionWorkshop，Springer，2016，pp. 463-479