Team Team — 第六名解决方案

数据来源

• DCC4： 所有 DOI，来源为 "eupmc" 的 Accession IDs（排除 GCA/HGNC/dbGaP，因为在公共测试集中有很多假阳性 (FP)）。
• Europe PMC (TextMinedTerms)： Accession IDs（在所有提交中排除 GO/RRID/OMIM，因为在公共测试集中有很多假阳性 (FP)）。

注意：包含以下数据库 NCT/EudraCT/EBiSC/ChEBI/EFO 并没有改变公共排行榜 (LB) 分数。因此，要么来自这些数据库的文章在私有测试集中，要么根本不存在。我们探测了其中一些，发现第一种情况成立。为了增加提交版本的多样性，我们在 2 个最终提交版本中的一个中排除了它们。结果是，我们的两个私有提交版本分数相同，所以这些文章是稀疏标注的（即带有 "Missing" 标签）。

DOI / 登录号 ID 检索

• DOIs：
  如果未标准化的 DOI 出现在 PDF 文本的任何位置，则包含；如果 DOI 来自 eLife 文章，我们还会查看 XML。如果 DOI 来自 Dryad/Zenodo/f1000，我们还会检查 PDF 文本中是否出现了不含最终版本（".v1" 等）的 DOI、等效的 Zenodo 记录 URL 或基础数据集记录。
• Accession IDs：
  如果 Accession ID 出现在 PDF 文本或 XML 的任何位置，则包含；如果 Accession ID 是 SAMN，我们仅查看 PDF 文本。

基于启发式的分类

• DOIs（所有规则按以下顺序检查）：
  • 默认为主要引用 (Primary)；
  • 如果 DOI 有多个日期对应的多个条目，且当前 article_id 属于较晚的日期之一，则为次要引用 (Secondary)；
  • 如果 DOI 仅出现在论文的参考文献部分，则为次要引用 (Secondary)；
  • 如果找到的 DOI 超过 4 个，则为次要引用 (Secondary)；
  • 如果论文作者与 DOI 后紧接着出现的参考文献不重叠，即 "(Smith, J., 2019)"，则为次要引用 (Secondary)；
  • 如果 DOI 来自 Dryad/Zenodo/f1000，则为主要引用 (Primary)；
  • 如果论文作者与 DOI 参考文献同一句子中列出的名称重叠，即自引，则为主要引用 (Primary)；
  • 如果任何特定的上下文短语（例如 "we have deposited", "have been submitted" 等）与 DOI 参考文献在同一句子中，则为主要引用 (Primary)。
• Accession IDs（所有规则按以下顺序检查）：
  • 默认为次要引用 (Secondary)；
  • 如果是 SAMN 则为主要引用 (Primary)（在我们的一个最终提交版本中）；如果是 SAMN 且任何术语 SAMN/SAMD/BioSample/BioProject 出现在任何数量的上下文短语附近，则为主要引用 (Primary)（在我们的另一个最终提交版本中）；
  • 如果 Accession ID 与若干上下文短语出现在同一句子中，则为主要引用 (Primary)。

其他说明

• 如果文章 ID 中包含 "eLife"，则跳过所有 DOI；如果文章 ID 中包含 "elife"，则跳过所有 Accession IDs。这只是来自训练数据的观察结果。