arXiv cs.CL· Ivan Iorsh, Aleksandr Kapitonov, Ivan Filianin, Matvey Lesonen, Nikita Chizhov·· 12 小时前AI 评分22
面向 arXiv 超导文献的领域感知结构化抽取与 RAG 问答流水线
A Domain-Aware Pipeline for Structured Extraction and Retrieval-Augmented Question Answering over arXiv Superconductivity Literature
AI 导读
一项端到端流水线将 arXiv 超导论文转为带结构化元数据的可检索语料，结合材料与超导转变温度的领域感知抽取及稠密向量与结构化字段的混合检索。在 59 种人工核验材料的金标集上，33 种材料主正子集上领域感知配对准确率达 45.5%，regex 基线仅 9.1%。
正文 · AI 翻译
摘要：材料物理学领域的科学文献增长速度已超出研究人员人工查阅的能力，然而大多数检索工具依赖关键词匹配或通用问答，忽略了 PDF 文件中的领域特定结构。本文提出了一套端到端流水线，将 arXiv 超导出版物转化为具有结构化元数据的可检索语料库，并支持检索增强问答。该系统结合了主题语料库构建、材料与超导转变温度的领域感知抽取，以及将稠密分块嵌入与结构化出版物字段融合的混合检索。我们检验了归一化领域属性相对于仅词汇和仅稠密文本方法是否能改善证据检索与答案依据性。抽取在人工核验的 59 种超导材料金标准集上评估，其中 46 种具有已确认的实验临界温度。在 33 种材料的主要正例子集上，领域感知配对准确率达到 45.5%，而正则基线为 9.1%。检索与生成在固定语言模型（qwen2.5:7b-instruct）下于 100 题基准上进行比较，仅改变检索机制：BM25、稠密、混合以及带领域元数据的混合。BM25 给出最高的来源召回率（Recall@5 为 47%），而将抽取的元数据加入混合检索并未改善该指标（39% 对 41%），我们将其归因于抽取字段中的噪声；主要瓶颈在于在正确检索到的论文中定位支撑片段。作为材料信息学应用，文献导出的温度与独立的理论参考集进行匹配：200 种材料同时出现在两个来源中，其中 20 种的实验临界温度中位数高于理论值。
| 学科： | 信息检索（cs.IR）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.34391 [cs.IR] |
| （或 arXiv:2610.34391v1 [cs.IR] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.34391 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Aleksandr Kapitonov [查看邮箱]
[v1]
2026年10月25日周日 15:48:48 UTC（6,419 KB）
来源：arXiv cs.CL · arxiv.org