CN109977112A - 科研文献的结构化信息提取方法及*** - Google Patents

Abstract

本发明提出一种科研文献的结构化信息提取方法及***，包括：使用表格的形式将文献中的样本信息进行提取呈现；文献中的科研思路利用流程图的形式提取呈现，流程图的节点代表文献中使用的“方法处理”，包括实验操作、软件算法。本发明能够使用规范的形式将科研文献的主要结果和结论转述出来，供其他科研工作者查看，以方便他们可以快速了解到科研文献的主要内容。通过本发明，能够保证结构化信息提取的内容与原文献内容一致，简明、准确的对科研文献重要结果和结论进行陈述。

Description

科研文献的结构化信息提取方法及***

技术领域

本发明属于信息***领域，特别是涉及到一种科研文献的结构化信息提取方法及系 统。

背景技术

随着科研投入的不断增加，以及高通量生物技术的发展，实验手段与研究方法都取 得了巨大的进步，而由此带来的大量科研成果都是以文献的形式发表在各类期刊上。这些文献汇集了大量的研究成果，记载了技术难题的解决方案，而且不断反映各种技术领 域最新科技成果，为科研人员相互学习借鉴世界先进技术提供了重要的媒介。各类期刊 都会对文献的结构、篇幅有一定的限制，这就导致了科研文献必须足够精炼，但是又必 须能够涵盖作者的研究目的、思路、结果、结论等信息。这就给其他阅读文献的人，增加 了相应的理解难度。再加上大部分重要的科研文献都是以外文形式发表的，这就给母语 非英语的科研工作者难上加难了。对于国内科研工作者，不仅仅需要他们具有一定的专 业知识的储备，同时还必须能够熟练的使用外文。即便如此，完全弄明白一篇外文科研 文献中的主要结论以及创新点也可能需要花费大量的时间。

因此，在国内的科研论坛或其他工具上经常可以看到有的科研工作者在理解某一篇 文献后，用自己的语言将文献的主要结果和结论转述出来(这个过程称为“结构化信息提取”)，供其他科研工作者查看，以方便他们可以快速了解到文献的主要内容。这种转 述呈现的形式可能因人而异，如果不是即时交流，一般是采用原文图表加上自己(翻译) 的语言这种形式。这就完全依赖转述者自身的偏好了。而且，转述的内容与原文献内容 是否一致，以及是否转述者是否能够真正准确的了解到文献重要结果和结论，都完全依 赖于转述者自身科研素养。

上述情况会导致科研文献的结构化信息提取不准确，或者呈现的内容并非重点、难 以理解等问题。

发明内容

有鉴于此，本发明提出一种科研文献的结构化信息提取方法及***，简明、准确的完成结构化信息提取和呈现。

为达到上述目的，本发明的技术方案是这样实现的：

一种科研文献的结构化信息提取方法，包括：使用表格的形式将文献中的样本信息 进行提取呈现；文献中的科研思路利用流程图的形式提取呈现，流程图的节点代表文献中使用的“方法处理”，包括实验操作、软件算法。

进一步的，所述使用表格的形式将文献中的样本信息进行提取呈现，包括：

(1)表格设置为样本标签表与样本表；

(2)提取文献中样本类型或者分组情况使用样本标签表呈现；样本标签表包括标签 缩写、标签名称、标签备注；

(3)提取文献中必要的样本信息使用样本表呈现；样本表包括样本编号、组内编号、 样本标签、样本来源、样本操作和样本备注；所述样本表中的样本标签对应样本标签表的标签缩写。

更进一步的，所述样本表使用缩略模式，单个样本一一展示，批量样本只展示第一个与最后一个。

进一步的，所述流程图的节点呈现内容还包括：

(1)样本的使用情况：提取文献中该节点的“方法处理”用到哪些样本，或者是用到来源于哪些样本得到的后续数据；

(2)结果：提取文献中的图结果、表结果、文字结果，来表示该节点的“方法处理”所得结果；

(3)方法处理的说明：提取文献中对该节点的“方法处理“的详细说明，包含方法处理名、方法处理详细名、方法处理描述、方法处理关键词；对于实验操作，还包括实验方 案、试剂、耗材、设备；对于软件算法还包含软件版本信息；还包括文献中实际情况的备 注说明。

更进一步的，流程图节点之间使用有向线连接，线由上一个方法处理所得到的输出 数据，以及给下一个方法输入数据组成。

本发明还提供了一种科研文献的结构化信息提取***，包括：

表格化模块：用于使用表格的形式将文献中的样本信息进行提取呈现；

流程化模块：用于将文献中的科研思路利用流程图的形式提取呈现，流程图的节点 代表文献中使用的“方法处理”，包括实验操作、软件算法。

进一步的，所述表格化模块包括：

表格设置单元：用于将表格设置为样本标签表与样本表；

样本标签表单元，用于提取文献中样本类型或者分组情况使用样本标签表呈现；样 本标签表包括标签缩写、标签名称、标签备注；

样本表单元，用于提取文献中必要的样本信息使用样本表呈现；样本表包括样本编 号、组内编号、样本标签、样本来源、样本操作和样本备注；所述样本表中的样本标签对应样本标签表的标签缩写。

更进一步的，所述表格化模块还包括缩略单元，用于对所述样本表使用缩略模式，单个样本一一展示，批量样本只展示第一个与最后一个。

进一步的，所述流程化模块包括：

样本使用提取单元，用于提取样本的使用情况，即该节点的“方法处理”用到哪些样 本，或者是用到来源于哪些样本得到的后续数据；

结果提取单元：用于提取文献中的图结果、表结果、文字结果，来表示该节点的“方法处理”所得结果；

说明单元：提取文献中对该节点的“方法处理”的详细说明，包含方法处理名、方法处理详细名、方法处理描述、方法处理关键词；对于实验操作，还包括实验方案、试剂、 耗材、设备；对于软件算法还包含软件版本信息；还包括文献中实际情况的备注说明。

更进一步的，所述流程化模块还包括：连接单元，用于将流程图节点之间使用有向线连接，线由上一个方法处理所得到的输出数据，以及给下一个方法输入数据组成。

与现有技术相比，本发明具有如下的有益效果：

本发明使用表格的形式将文献中的样本信息进行提取呈现，而文献中的科研思路利 用流程图的形式提取呈现，能够使用规范的形式将科研文献的主要结果和结论转述出来， 供其他科研工作者查看，以方便他们可以快速了解到科研文献的主要内容。通过本发明， 能够保证结构化信息提取的内容与原文献内容一致，简明、准确的对科研文献重要结果 和结论进行陈述。

附图说明

图1A是本发明实施例的标签定义图一；

图1B是本发明实施例的标签定义图二；

图1C是本发明实施例的标签定义图三；

图1D是本发明实施例的标签定义图四；

图2是本发明实施例的方法处理样本表；

图3是本发明实施例的科研文献结构化提取之后的流程图；

图4是本发明实施例的“图片+文字”形式的示意图；

图5是本发明实施例的流程图节点之间的连线代表示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互 组合。

下面结合附图对本发明的技术方案做进一步的详细说明：

首先需要说明的是本发明中，文献结构化信息提取特指对科研文献内容进行一定理 解之后，在尊重文献内容基础上将文献的结果结论利用原文或者原文翻译或者是用自己 话从新表达出文献的结果结论，而本发明就是定义了一种如何结构化提取文献信息提取 并将之呈现出来的方法。其特征在于，使用表格的形式将文献中的样本信息进行呈现，而文献中的科研思路利用流程图的形式呈现，而流程图的节点代表文献中使用的方法处理，即实验操作、软件算法等。每个方法处理会包含方法处理的说明信息、样本的使用情 况和相应的结果结论。但是由于并不是每个方法处理都会包含主要结果结论，而次要结 果文献可能就不会提及，因此相应的方法处理结果结论可以为空。而连接每个节点的线 则表示上一个方法处理的输出与下一个方法处理输入。输出与输入根据上下游方法处理 的类型不同可能会有不同的形式，比如实验操作的输入是有实体样本，输出可以是新的 样本也可以是无实体的数据，而软件算法输入是数据，产出也是数据。

使用表格呈现文献中的样本信息。这里的表格其实包含两个表：样本标签表与样本 表。

一个样本的标签包含三部分：标签缩写、标签名称与标签备注。标签缩写要足够简练，一般推荐单个字母，可以从标签名称中选取；而标签名称就是标签的说明。这两个部 分必不可少的。而标签备注，主要是用来给一些特殊说明提供方便。样本标签是指样本 的类型或者是样本的分组，标签需要有代表性，能够代替一类样本。比如该样本属于实 验组或者对照组，其中“实验组”和“对照组”都可以作为标签，因为它们能表明一个样 本类型或者分组情况。再比如癌症相关的研究中，样本是来自A病人的肝癌组织和癌旁 组织(即癌症组织周围的正常组织)，胃癌组织与癌旁组织，还有来自B病人的肝癌组 织和癌旁组织。那此时是不是可以定义一个标签“A肝癌组织”，一般不推荐如此去做， 因为若如此做，还需要定义“A肝癌癌旁组织”、“A胃癌组织”、“A胃癌癌旁组织” 等。这相当于给每个样本都定义了一个标签。那标签就失去其代表性变得没有意义了。 那如果标签定义如图1A所示，这样做其实是可以的，因为标签有一定的代表性了；“LT” 即可以代表来自A病人又可以代表来自B病人的肝癌组织。此时标签还可以定义为如图 1C所示。“T”就代表了来自所有病人所有组织的癌症组织。对于缺失的信息，来自哪个 病人以及什么组织则可以在样本表中体现出来。标签定义的不同对样本表中样本的呈现 有一定影响，具体情况可以查看图1B与图1D。

样本表的主要特征有两个方面：其一就是它的字段设计包含的字段分别是样本编号、 组内编号、样本标签、样本来源、样本操作和样本备注。结合样本三种类型：单个样本、批量配对样本、批量非配对样本，对表格中每个字段的意义一一说明：1)样本编号：从1 开始编号，每多一个样本，编号加1。可以用来显示文献中所用到的样本的数量，同时字 段“样本来源”的选项。2)组内编号：单个样本无组内编号；批量非配对样本组内编号从 1开始，后面每个样本逐渐加1；批量配对样本组内编号从1开始，配对的几个样本组内 编号相同，用来表示这几个样本是配对的，后面每组样本逐渐加1；因此，从1开始的组 内编号表示一组批量(非)配对样本。3)样本标签：可选的选项来自样本标签表中的所有 “标签缩写”。4)样本来源：如果某个样本在文献中描述是其他样本经过一定的处理(即 样本操作)而得到。那么该样本的来源即是其来源样本的样本编号。而文献中直接描述 的样本其样本来源为空。5)样本操作：即文献中获得新样本时用到的“方法处理”，这个 词的定义会在后续的流程图部分详细说明。样本来源与样本操作，必须同时为空，反之 亦然。6)样本备注：是指对于该样本详细描述。样本标签能代表一类样本，但是每个样本 有其独立的特性，这些特性可以在此描述出来。

如上述内容可知样本标签来自于样本标签表中标签缩写。样本表中的样本备注信息 需要和样本标签相互配合，将必要的样本信息都进行展示。其二就是样本表的呈现形式有两种情况，一种是通常的展开形式，如图1B和图1D所示。另一种是缩略形式，这种 形式主要是考虑到批量样本的存在，对于生物医药类文献成百上千的样本属于同一类型 (即属于同一种样本标签)是很正常的情况。此时将所有样本都展开展示，即影响美观， 又造成了信息的冗余。如图2所示是某一个方法处理样本表，这是样本表的缩略形式， 相应的样本标签表参考图1C。流程图中每个方法处理都包含相同的样本表，可能不同的 地方就在于不同方法处理可能使用了不同的样本。先来了解一下样本的种类，编号1与 编号2是两个单个样本，其中编号2样本是编号1样本经过“Solexa...”方法处理得到 的。编号3-5是批量非配对样本，非配对样本是有分组编号看出，因为没有相同的分组， 同时也可以看出该批量样本包含三个样本。而且对于某些批量样本可以在第一个样本处 做一个整体的备注即可。很少的情况下才有必要会像编号12-17那样逐个备注(缩略的 样本就不能备注了)。编号6-11是批量配对样本，从分组编号可以看出，每个分组包含 配对的两个样本。批量配对样本可以头一个分组内备注。缩略形式下，批量样本只会显 示头一个(组)和末一个(组)。这样虽然可以避免信息的冗余，也更加美观，但是有两 种情况必须要展示出某些中间数据。其一是某个方法处理只使用了批量样本的一部分， 如编号12-17就是反应了这个问题：该方法处理只使用了该批量样本的前三个。其二是 批量配对样本的缺失，如果缺失的样本是头一个分组或最后一个分组，那么中间数据没 有必要显示。如果必须是中间某分组缺失就需要把缺失分组显示出来。如编号18-27中 的编号23样本缺失。

科研文献发表时都会受到相应杂志的格式与字数要求。这就导致了科研文献一般不 是按照作者研究思路进行书写的。加上字数的要求，会使得科研文献都比较精炼。因此单纯通过文献的阅读就能清楚了解文献的研究思路和主要结果、结论、贡献还是非常有 挑战的一件事，除非你是本领域专家。但如果把文献信息结构化成流程图的形式，就可 以从文献的各个部分将作者的设计思路拼凑成完整科研流程，从而方便查看者迅速了解 其科研设计。如图3所示是一篇科研文献结构化提取之后的流程图。流程图中的节点代 表用到的方法处理，连线代表各个方法处理之间样本或者数据转移。但是，仅仅显示这 些信息，还是会错过文献中的结果结论等重要信息。因此，每个流程图的节点都要包含 本方法处理的说明、相应的结果结论以及样本使用情况，详细信息如图4所示。其中样 本表只截取了一部分，方法处理的说明由方法名、方法详细名、方法类型、方法介绍(简 述)、关键词、方案、试剂、设备、耗材、版本组成。根据具体的方法处理的不同，某些 字段可能就不会出现。同时方法处理还包含备注信息，即来自文献中实际说明，比如软 件用到的具体参数。方法处理得到相应的结果结论主要用三种形式呈现：“图片+文字”、 “表格+文字”、“文字”。其中图片与表格来自于文献中的图表。文字根据来源不同可 以分为来源于文献的文字与操作人员翻译或者归纳总结的文字。每个方法处理可能由于 不是关键步骤而不包含结果结论，也可能包含三种形式的结果结论中的一种或二种或三 种。每种形式的结果结论可以包含0-N条，具体包含几条需要根据文献中的具体情况而 定。如图4所示包含三条“图片+文字”形式的结果结论。流程图节点之间的连线代表代 表方法处理之间数据的流转，具体一点来说就是上一个节点的输出与下一个节点输入。 输入与输出的对象可能是实体样本或者是数据。如图5所示是一条边所表示的上一个方 法处理的输出，以及下一个方法处理的输入。由于上一个方法处理的输出整好是下一个 方法处理的输入，因此两段文本的内容是一致的。如果上一个方法处理的输出部分作为 下一个方法处理的输入时就可以在输入框内着重说明。输出与输入框内一般使用如图的 文本说明即可，真实的数据是一般从文献中是无法得到的，即便有展示出来也是不现实 的。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神 和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种科研文献的结构化信息提取方法，其特征在于，包括：使用表格的形式将文献中的样本信息进行提取呈现；文献中的科研思路利用流程图的形式提取呈现，流程图的节点代表文献中使用的“方法处理”，包括实验操作、软件算法。

2.根据权利要求1所述的方法，其特征在于，所述使用表格的形式将文献中的样本信息进行提取呈现，包括：

(1)表格设置为样本标签表与样本表；

(2)提取文献中样本类型或者分组情况使用样本标签表呈现；样本标签表包括标签缩写、标签名称、标签备注；

(3)提取文献中必要的样本信息使用样本表呈现；样本表包括样本编号、组内编号、样本标签、样本来源、样本操作和样本备注；所述样本表中的样本标签对应样本标签表的标签缩写。

3.根据权利要求2所述的方法，其特征在于，所述样本表使用缩略模式，单个样本一一展示，批量样本只展示第一个与最后一个。

4.根据权利要求1所述的方法，其特征在于，所述流程图的节点呈现内容还包括：

(1)样本的使用情况：提取文献中该节点的“方法处理”用到哪些样本，或者是用到来源于哪些样本得到的后续数据；

(2)结果：提取文献中的图结果、表结果、文字结果，来表示该节点的“方法处理”所得结果；

(3)方法处理的说明：提取文献中对该节点的“方法处理”的详细说明，包含方法处理名、方法处理详细名、方法处理描述、方法处理关键词；对于实验操作，还包括实验方案、试剂、耗材、设备；对于软件算法还包含软件版本信息；还包括文献中实际情况的备注说明。

5.根据权利要求4所述的方法，其特征在于，流程图节点之间使用有向线连接，线由上一个方法处理所得到的输出数据，以及给下一个方法输入数据组成。

6.一种科研文献的结构化信息提取***，其特征在于，包括：

表格化模块：用于使用表格的形式将文献中的样本信息进行提取呈现；

流程化模块：用于将文献中的科研思路利用流程图的形式提取呈现，流程图的节点代表文献中使用的“方法处理”，包括实验操作、软件算法。

7.根据权利要求6所述的***，其特征在于，所述表格化模块包括：

表格设置单元：用于将表格设置为样本标签表与样本表；

样本标签表单元，用于提取文献中样本类型或者分组情况使用样本标签表呈现；样本标签表包括标签缩写、标签名称、标签备注；

样本表单元，用于提取文献中必要的样本信息使用样本表呈现；样本表包括样本编号、组内编号、样本标签、样本来源、样本操作和样本备注；所述样本表中的样本标签对应样本标签表的标签缩写。

8.根据权利要求7所述的***，其特征在于，所述表格化模块还包括缩略单元，用于对所述样本表使用缩略模式，单个样本一一展示，批量样本只展示第一个与最后一个。

9.根据权利要求6所述的***，其特征在于，所述流程化模块包括：

样本使用提取单元，用于提取样本的使用情况，即该节点的“方法处理”用到哪些样本，或者是用到来源于哪些样本得到的后续数据；

结果提取单元：用于提取文献中的图结果、表结果、文字结果，来表示该节点的“方法处理”所得结果；

说明单元：提取文献中对该节点的“方法处理”的详细说明，包含方法处理名、方法处理详细名、方法处理描述、方法处理关键词；对于实验操作，还包括实验方案、试剂、耗材、设备；对于软件算法还包含软件版本信息；还包括文献中实际情况的备注说明。

10.根据权利要求9所述的***，其特征在于，所述流程化模块还包括：连接单元，用于将流程图节点之间使用有向线连接，线由上一个方法处理所得到的输出数据，以及给下一个方法输入数据组成。