- Développement d’un « modèle qui résume des articles scientifiques jamais vus auparavant » afin de lire rapidement un grand volume de publications
→ Le résumé de documents et la traduction sont réalisés en Python à l’aide de modèles de deep learning accessibles via l’Open API
Vidéo de présentation à la Société d’intelligence artificielle appliquée (AAiCON) (résumé)
- Utilisation du résumé (
abstract) des articles à l’étape de skimming
- Requête Scopus
- Utilisation de l’API Wikipedia pour trouver, parmi les synonymes, les termes les plus représentatifs
- Génération d’un Knowledge Graph et exécution d’un Inverse Depth First Search pour identifier les technologies associées
- Extraction d’un ensemble de mots significatifs à partir des résumés en langage naturel
- Résumé : sélection de la cible
- (1) Analyse en langage naturel et résumé sous forme de phrases
- Sélection d’articles de revues de qualité publiés au cours des 3 dernières années, puis tri selon l’Impact Factor
- Résumé des résumés en anglais en phrases courtes à l’aide de TLDRThis de RapidAPI, basé sur un Transformer
- Traduction automatique anglais-coréen des phrases résumées avec Naver Papago
- (2) Extraction de phrases clés fondée sur des règles
- Utilisation de formulations comme "we found that", "in this study", "we present that", "we provide"
- Traduction de ces phrases clés de la même manière avec Papago
- Génération du contenu final sous forme de fichier Doc contenant à la fois le coréen et l’anglais
1 commentaires
Waouh, ça a l’air extrêmement utile.
Merci pour ces bonnes informations. Je vais y jeter un œil.