# 赛题背景
在学术文献检索与自动审稿系统中，检测“标题”与“摘要”的一致性是一项重要任务。有些自动生成的文本或者错误的引用会导致标题与内容不符。

为了考察同学们在 NLP 领域的深层特征提取能力，本赛题构建了一个 **“困难模式” (Hard Mode)** 的数据集。数据源自 arXiv 的 6 个计算机科学子领域 (`cs.LG`, `cs.AI`, `cs.CV`, `cs.CL`, `cs.CR`, `cs.DS`)。

# 任务描述
这是一个**二分类 (Binary Classification)** 任务，专注于**语义一致性检测**。

我们利用 TF-IDF 和 KNN 算法，为每一篇真实的论文挖掘了“困难负样本”：
1.  **正样本 (Label=1)**：原始的 **标题** + 原始的 **摘要**。
2.  **负样本 (Label=0)**：原始的 **标题** + **其他论文的摘要**。
    * *注意*：这个“其他论文”不是随机选的，而是通过 KNN 算法在向量空间中找到的**最相似**的论文。这意味着假摘要和真摘要在关键词、主题甚至行文风格上都极其相似！

**你的目标**：输入 `{Title, Abstract}` 对，判断它们是否匹配。

# 核心难点 
由于负样本是“精心挑选”的，简单的关键词重叠策略可能会失效。例如，两篇论文都讨论“Transformer在视觉中的应用”，标题和摘要都包含大量相同词汇，但其中一篇是假匹配。
你需要构建更能捕捉**语义逻辑关联**的特征。

# 建议方法
* **基础 (Baseline)**: 拼接标题和摘要 -> TF-IDF -> 朴素贝叶斯 (Naive Bayes)。这可能只能得到及格分。
* **进阶 (Advanced)**:
    * **特征工程**：计算 Title 和 Abstract 的余弦相似度、Jaccard 相似度、关键词覆盖率作为额外特征。
    * **语义模型**：使用 Word2Vec, GloVe 或 BERT 生成句向量，计算语义距离。
    * **连体网络**：尝试 Siamese Network 架构来衡量两个文本的匹配度。