语义学者TLDRs
TLDR视频演示

快速找到合适的文件,花时间阅读你感兴趣的东西。

Semantic Scholar中新的TLDR功能将自动生成的单句论文摘要放在搜索结果页面上,允许您快速找到正确的论文,并花时间阅读对您重要的内容。

TLDRs(太长;未读取)是使用专家背景知识和最新GPT-3风格NLP技术生成的科学论文的主要目标和结果的超短摘要。这项新功能在beta版中有近1000万篇论文可以使用,并且在语义学者的计算机科学领域也算在内。


了解最新的科学文献是任何研究人员工作流程的重要组成部分,而通过阅读论文摘要来解析一长串来自不同来源的论文是非常耗时的。

TLDRs帮助用户快速做出明智的决定,决定哪些论文是相关的,以及在哪里投入时间进一步阅读。TLDRs还提供现成的论文摘要,用于解释不同背景下的工作,例如在社交媒体上分享论文。

“信息过载是科学家面临的首要问题。语义学者自动生成的TLDR帮助研究人员快速决定将哪些论文添加到他们的阅读列表中。”伊莎贝尔·卡乔拉,约翰霍普金斯大学博士生,前AI2的博士前青年研究员,以及作者科学文献的极端总结
“人们经常问为什么tldr比抽象更好,但两者的目的完全不同。由于TLDR是20个单词,而不是200个单词,因此浏览起来要快得多。”丹尼尔S.威尔德,负责人语义学者研究小组艾伦人工智能研究所, 华盛顿大学计算机科学教授,作者科学文献的极端总结
“这是近年来我看到的最令人兴奋的应用程序之一!TLDRs不仅有助于快速浏览论文,而且在以人为中心的人工智能方面也有巨大潜力。Semantic Scholar拥有数百万用户,他们可以提供反馈,并帮助不断改进TLDRs的技术。”米雷拉·拉帕塔,爱丁堡大学科学信息学院顾问委员会成员
自动生成语义示例

通过防止特征检测器的共适配改进神经网络

TLDR从前向神经网络中去掉一半的特征检测器,可以减少过度拟合,并提高测试数据的性能。

简单有效的多段落阅读理解

TLDR我们提出了一种最先进的流水线方法来训练基于文档质量保证数据的神经段落级问答模型。

EMNLP 2020示例

科学文献的极端总结

TLDR本文介绍了科技论文TLDR自动生成,这是一种新的高压缩源的自动文摘任务,需要专家背景知识和复杂的语言理解。

希伯来语词形消歧和变音符号恢复的新挑战集

TLDR在这篇论文中,我们讨论了希伯来语中不平衡的形态歧义问题,这是一种高度模糊的MRL,其中元音通常被省略。

要了解更多关于TLDRs的研究,请阅读本文科学文献的极端总结来自作者伊莎贝尔·卡乔拉,凯尔·洛,阿尔曼·科汉,和丹尼尔S.焊接来自AI2的语义学者团队。

请将您关于语义学者TLDRs的反馈发送至:feedback@semanticscholar.org