要約
HAL (Hyper Articles en Ligne) は、フランスの国立出版物リポジトリであり、ほとんどの高等教育および研究機関がオープン サイエンス ポリシーのために使用しています。
デジタル図書館として、学術文書の豊富なリポジトリですが、高度な研究の可能性は十分に活用されていません。
私たちは、引用ネットワークと HAL に投稿された論文の全文の間のギャップを埋める独自のデータセットである HALvest を紹介します。
学術出版物用に HAL をフィルタリングしてデータセットを作成すると、言語モデルのトレーニングに適した 13 の特定ドメインにわたる 34 言語にわたる約 700,000 の文書が生成され、約 165 億のトークンが生成されます (フランス語で 80 億、英語で 70 億)。
最も代表的な言語)。
各論文のメタデータを引用ネットワークに変換し、有向異種グラフを生成します。
このグラフには、HAL 上で一意に識別された著者、すべての未提出の論文、およびその引用が含まれています。
データセットを使用して著者帰属のベースラインを提供し、リンク予測のためのグラフ表現学習における一連の最先端のモデルを実装し、生成されたナレッジ グラフ構造の有用性について議論します。
要約(オリジナル)
HAL (Hyper Articles en Ligne) is the French national publication repository, used by most higher education and research organizations for their open science policy. As a digital library, it is a rich repository of scholarly documents, but its potential for advanced research has been underutilized. We present HALvest, a unique dataset that bridges the gap between citation networks and the full text of papers submitted on HAL. We craft our dataset by filtering HAL for scholarly publications, resulting in approximately 700,000 documents, spanning 34 languages across 13 identified domains, suitable for language model training, and yielding approximately 16.5 billion tokens (with 8 billion in French and 7 billion in English, the most represented languages). We transform the metadata of each paper into a citation network, producing a directed heterogeneous graph. This graph includes uniquely identified authors on HAL, as well as all open submitted papers, and their citations. We provide a baseline for authorship attribution using the dataset, implement a range of state-of-the-art models in graph representation learning for link prediction, and discuss the usefulness of our generated knowledge graph structure.
arxiv情報
| 著者 | Francis Kulumba,Wissam Antoun,Guillaume Vimont,Laurent Romary |
| 発行日 | 2024-07-30 07:14:04+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google