文章总结与翻译
一、文章主要内容
本文聚焦于利用大型语言模型(LLMs)生成研究主题本体这一核心任务,旨在解决传统研究领域本体与分类法构建维护成本高、跨领域连接弱、更新不及时等问题。
1. 研究背景与问题
传统研究领域本体(如生物医学领域的MeSH、物理学领域的PhySH、工程领域的IEEE分类法)是科学知识管理的关键工具,但存在三大核心问题:一是覆盖范围不均衡,部分学科完全缺失或仅部分呈现;二是跨领域连接薄弱,难以捕捉交叉学科研究活动;三是更新周期长,无法反映最新研究动态。而这些问题的根源在于本体构建需多领域专家长期协作,成本高且耗时。
2. 研究设计
- 研究对象:选取12个开源权重LLM(参数规模30亿-270亿),覆盖Mistral、Llama、Gemma、Phi、Zephyr等多个模型家族。
- 任务定义:将研究主题对的语义关系识别定义为单标签多分类任务,包含“更宽泛(broader)”“更具体(narrower)”“等同(same-as)”“无关联(other)”四类关系。
- 数据集构建:创建多学科基准数据集PEM-Rel-8K,包含8000余条语义关系,源自MeSH(生物医学)、PhySH(物理学)、IEEE(工程)三大主流分类法,并按7:1:2比例划分为训练集、验证集和测试集。
- 实验设置:从三个维度评估模型性能:零样本学
订阅专栏 解锁全文
1307



被折叠的 条评论
为什么被折叠?



