เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การสกัดความสัมพันธ์× | การทำเหมืองข้อความเชิงวิทยาศาสตร์× | |
|---|---|---|
| สาขาวิชา | การทำเหมืองข้อความ | การทำเหมืองข้อความ |
| ตระกูล | Process / pipeline | Process / pipeline |
| ปีกำเนิด≠ | — | 2019–2020 (modern transformer era); roots in earlier computational linguistics |
| ผู้ริเริ่ม≠ | — | Community-developed; SciBERT (Beltagy et al., 2019) and SPECTER (Cohan et al., 2020) are landmark models |
| ประเภท≠ | NLP information-extraction task | NLP pipeline for scientific literature |
| แหล่งต้นตำรับ≠ | Zelenko, D., Aone, C. & Richardella, A. (2003). Kernel Methods for Relation Extraction. Journal of Machine Learning Research, 3, 1083-1106. link ↗ | Beltagy, I., Lo, K., & Cohan, A. (2019). SciBERT: A Pretrained Language Model for Scientific Text. EMNLP 2019. link ↗ |
| ชื่อเรียกอื่น≠ | semantic relation extraction, İlişki Çıkarma (Relation Extraction) | Bilimsel Metin Madenciliği, scholarly NLP, academic text mining, scientific literature mining |
| ที่เกี่ยวข้อง | 4 | 4 |
| สรุป≠ | Relation extraction is a natural-language-processing task that detects and classifies the semantic relations that hold between entities mentioned in text. Building on early kernel-based methods (Zelenko and colleagues, 2003) and later neural matching approaches (Baldini Soares and colleagues, 2019), it turns free-form text into structured facts of the form entity–relation–entity. | Scientific text mining is a natural-language-processing pipeline applied to academic literature. Grounded in domain-specific pretrained models such as SciBERT (Beltagy et al., 2019) and SPECTER (Cohan et al., 2020), it automatically extracts hypotheses, methodologies, findings, and scholarly contributions from full-text papers or abstracts, enabling systematic review automation, research-trend analysis, and science mapping at scale. |
| ScholarGateชุดข้อมูล ↗ |
|
|