感谢主办方和参与者。这是一场相当累人且复杂的比赛。

我们的解决方案如下：

DOI 管道

1. 处理所有 PDF 以提取正文部分，并使用基于 ML 的特殊方法提取干净的 Header（获取作者姓名）和参考章节。
2. DOI 提取：
   • 固定长度模式（安全使用正则表达式）：

     pangaea_pattern = r"(?:1\s*0\s*\.\s*1\s*5\s*9\s*4\s*/\s*)?p\s*a\s*n\s*g\s*a\s*e\s*a\s*\.\s*(?:\s*\d\s*){6}"
     pasta_pattern = r"(?:1\s*0\s*\.\s*6\s*0\s*7\s*3\s*/\s*)?p\s*a\s*s\s*t\s*a\s*/\s*(?:\s*[a-f0-9]\s*){32}"
     doi_pattern = f"(?:{pangaea_pattern})|(?:{pasta_pattern})"

   • 可变长度模式（不安全使用正则表达式，需要大语言模型）：
     • 我们首先使用正则表达式突出显示文章中可能的 DOI（基于此模式：r"1\s*0\s*\.\s*\d{4,9}\s*/"）。
     • 然后我们创建一个 80 字符的右窗口，并要求 Qwen 7B 或 14B 提取它。
     • 对于特殊品牌模式（没有标准 DOI 前缀 10.xxxx/），我们单独处理并使用特殊提示。
     • 此阶段的交叉验证结果很强（我们主要关心召回率）：
       ~doi - f1: 0.7597 [tp: 294 / fp: 157 / fn: 5] → 所以我们只漏掉了 5 个 DOI。
3. 过滤非数据 DOI：
   • 为了减少假阳性（FP），我们使用微调后的 Qwen 14B 过滤非数据 DOI。
     ~doi - f1: 0.8985 [292 / 59 / 7]
4. DOI 类型分类：
   • 我们使用微调后的 Qwen 14B 和 4 个提示，取决于可用信息（是否有干净的作者列表，是否有干净的参考文献等）。
     ~doi - f1: 0.8554 [278 / 73 / 21]

Accession ID 提取

我们使用正则表达式和公开解决方案进行分类。

我们提交了两个解决方案进行最终评估：

1. 纯机器学习（主要解决方案）：
   • 公共排行榜：0.80
   • 私有排行榜：0.613
2. 机器学习 + MDC 语料库：
   • 公共排行榜：0.846
   • 私有排行榜：0.647

注意：
最后一天我们发现其他团队使用 MDC 语料库过滤假阳性。所以我们提交了另一个运行以保持同步。然而，我们觉得这不是一个干净的解决方案 @inversion，因为使用它提出了以下问题：
“当主机想要使用你的代码时，推理模式怎么样？”
他将一无所获，因为你将所有新 DOI 视为假阳性（非数据）。