【DigSci 科学数据挖掘大赛】冠军方案关键技术解析

前言

本文根据在cncc会议中演讲的PPT内容，给出了完整的技术方案，主要从赛题难点、候选集自动生成、自动特征抽取与选择、文本匹配模型构建、模型融合等方面去进行阐述。本次比赛的难点在于给定描述段落匹配的一篇论文（正样本），在没有负样本的情况下要求参赛者给出一个段落最匹配的三篇论文。参赛者需要从大规模论文库中匹配最相关的论文，涉及到语义表示、语义检索等技术难点。

赛题背景

科学研究已经成为现代社会创新的主要动力。大量科研数据的积累也让我们可以理解和预测科研发展，并能用来指导未来的研究。论文是人类最前沿知识的媒介，因此如果可以理解论文中的数据，可以极大地扩充计算机理解知识的能力和范围。

在论文中，作者经常会引用其他论文，并对被引论文做出对应描述。如果我们可以自动地理解、识别描述对应的被引论文，不仅可以加深对科研脉络的理解，还能在科研知识图谱、科研自动问答系统和自动摘要系统等领域有所进步。

赛题任务

本次比赛将提供一个论文库（约含20万篇论文），同时提供对论文的描述段落，来自论文中对同类研究的介绍。参赛选手需要为描述段落匹配三篇最相关的论文。

例子：

描述：

An efficient implementation based on BERT [1] and graph neural network (GNN) [2] is introduced.

相关论文：

[1] BERT: Pre-training of deep bidirectional transformers for language understanding.[2] Relational inductive biases, deep learning, and graph networks.

评测方案

准确率（Precision）: 提交结果的准确性通过 Mean Average Precision @ 3 (MAP@3) 打分，具体公式如下：

其中，|U|是需要预测的press_id总个数，P(k)是在k处的精度，n是paper个数。具体来说，如果在第一个位置预测正确，得分为1；第二个位置预测正确，得分为1/2；第三个位置预测正确，得分为1/3。

赛题分析

本赛题任务是需要为描述段落匹配三篇最相关的论文，很明显这是一个匹配的问题，实际上可以转化为是否匹配的二分类问题，在构建模型的时候模型不可能在这么大范围（20万篇论文）内去搜索查找，为此如何缩小搜索范围，构造合理的候选论文集，将问题转化为二分类问题，是模型得分的关键。

整体方案

首先根据文本相似度，构造候选集，再在候选集中选出top3的论文。具体而言，利用候选集构造训练样本集，分别用特征工程+模型的方式计算出两种匹配方案的top3论文，再结合原候选集中的top3论文，对三种方式的输出结果做多模型的融合得到最终的top3论文。

候选集生成

在构造候选集方面，我们按照如下步骤进行：

1. 在数据描述中，发现引用论文描述在[[**##**]]之前，所以我们选取描述中[[**##**]]之前的句子作为描述关键句，例如：Rat brain membrane preparation and opioid binding was performed as described previously by Loukas et al. [[**##**]]. Briefly, binding was performed in Tris-HCl buffer (10 mM, pH 7.4), in a final volume of 1.0 ml. The protein concentration was 300 μg/assay.

2. 只选择特定的期刊，训练集匹配论文的journal描述字段都是no-content，故而只选取journal为no-content的论文。

3. 经过1,2处理后，分别运用bm25和tfidf的方式召回前20篇论文，取并后set（考虑召回数量和正负比），得到最终的候选集，训练集正负比为：1：34，训练集召回比例（覆盖率）：0.6657 。

特征抽取与选择

在特征抽取方面，我们根据文档信息抽取了如下一些特征：

l论文关键字在描述关键句、原描述出现的次数.

l描述关键句、原描述分别与论文title和摘要的BM25.

l描述关键句、原描述分别与论文title和摘要的基于TFIDF的余弦距离，欧式距离，曼哈顿距离.

l描述关键句、原描述分别与论文title和摘要的基于Word2vec词向量余弦距离，欧式距离，曼哈顿距离.

l描述关键句、原描述分别与论文title和摘要的编辑距离.

l描述关键句、原描述分别与论文title和摘要的共现词，共现词占的比例.

l描述关键句、原描述分别与论文title和摘要的 2-gram Jaccard相似系数 .

l描述关键句、原描述分别与论文title和摘要的长度.

…………………

匹配模型构建

在模型构建方面我们把匹配问题转化为是否匹配的二分类问题，主要采用了传统的特征+机器学习模型以及深度学习模型两种方案，传统的机器学习模型分类方案直接采用lightgbm模型，在构建深度学习模型方案时，我们主要利用了深度学习模型中间层的输出信息，具体方法：首先将描述和文档输入进词嵌入层，然后分别接入 Decomposable Attention Model , Bi-cnn, Esim，取三个模型隐藏层输出结果与用特征工程构建的特征进行拼接，最后接入多层感知机。

模型融合

用规则的方式、lightgbm以及深度学习模型匹配的方式得到的三种结果，以lightgbm的结果为基准进行模型融合得到最终的结果。

感悟

本次比赛是在过完国庆之后来做的，由于时间比较短，许多方法还没有来得及试验，例如：目前比较热门的bert模型，运用bert模型应该会有较大的提高。比赛中运用的部分能力源自华为云NLP服务，目前我们也在把一些新的模型优化落地，实践是检验真理的唯一标准，长路漫漫，我们坚信在后续的服务中我们会越做越好。最后欢迎大家留言，相互探讨，一起学习。