第 7 名解决方案

感谢我的队友们的辛勤工作 @zxc123cc, @simingtan, @xuanmingzhang777, @tonyarobertson

关键点

1. 召回 (Recall)

1.1 DOI

(1) 对于 V4 数据，基于 article_id 从 V4 获取 DOI，并根据是否出现在文章中进行过滤，以识别 DOI 数据。

(2) 如果不在 V4 中，遵循正常流程。

1.2 ACC

外部数据：https://europepmc.org/pub/databases/pmc/TextMinedTerms/

训练集中的所有 ACC ID 都包含在此数据集中。我们基于 exist ID 列获取文章 ID 和 ACC ID 之间的关系，然后基于 article_id 从外部数据检索 ACC ID，并根据是否出现在文章中进行过滤，以识别 ACC ID 数据。以下数据被排除，仅提交 ACC，类型 SAMN 设置为 P，其他设置为 S， resulting in lb=0.783。

print('原始数据:', sub_df.shape)
sub_df = sub_df[~sub_df['dataset_id'].str.startswith('GCA_')].reset_index(drop=True)
sub_df = sub_df[~sub_df['dataset_id'].str.contains('/')].reset_index(drop=True)
sub_df = sub_df[~sub_df['dataset_id'].str.startswith('GO:')].reset_index(drop=True)
sub_df = sub_df[~sub_df['dataset_id'].str.startswith('HGNC:')].reset_index(drop=True)
sub_df = sub_df[~sub_df['dataset_id'].str.startswith('RRID:')].reset_index(drop=True)
sub_df = sub_df[~sub_df['dataset_id'].str.contains(':')].reset_index(drop=True)
sub_df = sub_df[~sub_df['dataset_id'].str.match(r'^\\d+$')].reset_index(drop=True)
sub_df = sub_df[~sub_df['dataset_id'].str.startswith('NCT')].reset_index(drop=True)

print('过滤后数据:', sub_df.shape)

(2) 如果不在外部数据中，遵循正常流程。

2. 类型分类 (Type Classification)

2.1 DOI

(1) 获取所有文章 ID 和数据 DOI 的作者，并使用作者信息进行判断。

(2) 对于无法获取作者信息的数据：

1. 使用 V4 构建数据以训练大模型，其中 V4 使用 Gemini 进行标注，从而蒸馏出一个 7B 模型。使用上下文来确定类型类别。

2.2 ACC

1. 使用 V4 和训练集构建数据以训练大模型，其中 V4 使用 Gemini 进行标注，从而蒸馏出 7B 和 14B 模型。
2. 组合这三个模型。

组合策略 1：固定 SAMN 和 EPI 分别为 P 和 S，其余由多数投票规则决定。

策略 2：对于 SAMN，如果任何模型预测为 P，则设为 P；对于 EPI，如果任何模型预测为 S，则设为 S；其余由多数投票规则决定。

LB 策略 1 表现更好，而 PB 策略 2 显示出更大的提升。

1. (未选用，lb=0.850, pb=0.771)

获取 EPI_ 的作者信息，并使用作者信息来确定类型。