TaxoAdapt: Allineamento della Costruzione di Tassonomie Multidimensionali Basate su LLM ai Corpora di Ricerca in Evoluzione

TaxoAdapt: Aligning LLM-Based Multidimensional Taxonomy Construction to Evolving Research Corpora

June 12, 2025

Autori: Priyanka Kargupta, Nan Zhang, Yunyi Zhang, Rui Zhang, Prasenjit Mitra, Jiawei Han

cs.AI

Abstract

La rapida evoluzione dei campi scientifici introduce sfide nell'organizzazione e nel recupero della letteratura scientifica. Sebbene le tassonomie curate da esperti abbiano tradizionalmente affrontato questa esigenza, il processo è dispendioso in termini di tempo e costoso. Inoltre, i recenti metodi automatici di costruzione delle tassonomie (1) si affidano eccessivamente a un corpus specifico, sacrificando la generalizzabilità, o (2) dipendono fortemente dalla conoscenza generale dei grandi modelli linguistici (LLM) contenuta nei loro dataset di pre-addestramento, spesso trascurando la natura dinamica dei domini scientifici in evoluzione. In aggiunta, questi approcci non tengono conto della natura multidimensionale della letteratura scientifica, in cui un singolo articolo di ricerca può contribuire a più dimensioni (ad esempio, metodologia, nuovi compiti, metriche di valutazione, benchmark). Per colmare queste lacune, proponiamo TaxoAdapt, un framework che adatta dinamicamente una tassonomia generata da LLM a un determinato corpus attraverso più dimensioni. TaxoAdapt esegue una classificazione gerarchica iterativa, espandendo sia la larghezza che la profondità della tassonomia in base alla distribuzione tematica del corpus. Dimostriamo le sue prestazioni all'avanguardia su un insieme diversificato di conferenze di informatica nel corso degli anni, evidenziando la sua capacità di strutturare e catturare l'evoluzione dei campi scientifici. Come metodo multidimensionale, TaxoAdapt genera tassonomie che preservano il 26,51% in più di granularità e sono il 50,41% più coerenti rispetto ai baseline più competitivi valutati da LLM.

English

The rapid evolution of scientific fields introduces challenges in organizing and retrieving scientific literature. While expert-curated taxonomies have traditionally addressed this need, the process is time-consuming and expensive. Furthermore, recent automatic taxonomy construction methods either (1) over-rely on a specific corpus, sacrificing generalizability, or (2) depend heavily on the general knowledge of large language models (LLMs) contained within their pre-training datasets, often overlooking the dynamic nature of evolving scientific domains. Additionally, these approaches fail to account for the multi-faceted nature of scientific literature, where a single research paper may contribute to multiple dimensions (e.g., methodology, new tasks, evaluation metrics, benchmarks). To address these gaps, we propose TaxoAdapt, a framework that dynamically adapts an LLM-generated taxonomy to a given corpus across multiple dimensions. TaxoAdapt performs iterative hierarchical classification, expanding both the taxonomy width and depth based on corpus' topical distribution. We demonstrate its state-of-the-art performance across a diverse set of computer science conferences over the years to showcase its ability to structure and capture the evolution of scientific fields. As a multidimensional method, TaxoAdapt generates taxonomies that are 26.51% more granularity-preserving and 50.41% more coherent than the most competitive baselines judged by LLMs.