第 12 名解决方案

感谢所有参与组织本次比赛的人员、所有参赛者以及我的队友 @chome0910 和 @takai380。

候选提取

• 所有 DOI 均来自 MDC Data Citation Corpus v4，仅使用 datacite 来源。
  • 过滤掉包含 figshare 的 DOI。
• 所有 Accession ID 均来自 EuropePMC。
  • 过滤掉包含 : 或 GCA 的 ID。

类型分类

DOI

利用上下文和元数据基于 LLM 的分类。

• Qwen2.5-72B-Instruct-AWQ (零样本)
• 输入特征
  • 上下文（约 3000 字符）
  • 基于数据引用语料库的特征
    • 数据集引用次数
    • 是否为语料库中引用该数据集的第一篇论文
    • 从数据集发布日期到论文发表日期经过的天数
  • 论文和数据集元数据
    • 标题
    • 作者
    • 摘要
• 强制二元选择（A: 主要 / B: 次要）并选择 logit 较大的选项。

Accession ID

基于规则的分类。

• 除了与 biosample 相关的 Accession ID 外，其余全部分类为次要。
• 如果 ID 签发与论文发表之间相隔超过三年，Biosample Accession ID 被分类为次要；否则为主要。

未奏效的方法

• 基于 LLM 的 Accession ID 类型分类