基于专题或领域科研知识图谱生成图谱式综述服务场景的系统，目前底层数据包含机器学习、合成生物学两大专题科研知识图谱，支持领域知识全景图、重要文献推荐、文献发展脉络、热点主题演化及专题知识研究侧写文档下载等不同维度、多种功能的服务场景，满足科研用户快速了解专题文献信息的需求。
该系统面向领域科研人员提供基于关键词搜索的专题知识研究侧写服务，主要功能：
1. 领域知识全景图
通过专题科研知识图谱主题类揭示以查询词为核心的相关研究主题及内在联系，反映用户查询专题研究的总体概况（厘清主题内重要知识节点的关系网状图），使其可以纵览研究主题全貌，方便用户快速了解专题知识模型中各个知识点的信息，同时可以实现递进式导航。
2. 科技文献侧写
主要依据是文献的重要度打分，展示主题词维度及时间维度上的重要文献，以期为用户提供最相关、最高质量的文献。具体的：
● 重要文献推荐列表。针对任一主题词查询页面，提供依据文献重要度排序的Top N（N=10/20/30）推荐论文，单击即可跳转至论文详情页查看元数据信息。
● 文献发展脉络图。以可视化河流图展示并融合了专题知识及文献信息。以该主题词相关所有文献的出版时间跨度以横轴，动态划分为若干时间周期并展示各区间的重要文献。同时可提供原文链接，实现文献溯源或获取。
3. 热点主题演化
揭示较长时间段内领域专题的阶段性发展重点及趋势，可为科研主体进一步了解或确定研究方向提供支撑。综述系统中的热点主题分析主要是按时间周期统计文献中标引的主题词频并排序展示，通常给出Top 5的主题词。
4. 研究侧写文档下载
提供研究侧写文档一键生成及下载功能，文档包括标题、摘要、章节（文献数据源、专题知识结构、主题演化分析、重要文献发展脉络）、参考文献等部分。
通过知识可视化、文献重要度排序等方式使科研用户快速了解专题知识及文献信息。旨在提高科研用户在合理时间内获取相关研究专题知识的效率，或为科研新手提供快速阅览入门陌生专题的途径。
智能问答系统主要提供基于农作物病虫害与水稻基因两种图谱的问答服务，其中农作物病虫害知识图谱的主要数据来源是《中国农作物病虫害（第三版）》、农业专业知识服务系统文献资源数据库及《农业科学叙词表》等，水稻基因知识图谱的数据源主要包括国家水稻数据中心、funRiceGenes、水稻信息网、Planteome数据库、AgroLD数据库、RAP-DB/MSU数据库、PubMed数据库等。用户可通过与系统的问答交互，了解关于农作物病虫害、水稻基因等领域知识，系统目前可将答案以自然语言、链接、图表等形式反馈给用户，便于用户理解。
面向自然语言的查询服务场景：中英文自然语言问答。目前系统针对农作物病虫害和水稻基因两个领域，可分别使用中文和英文进行提问，并逐步支持常见的语言种类；多类型问答展示。智能问答系统在问答的展示上支持多种形式，有文本、子图及统计图表等多样化的单问题展示风格，也有针对多跳、条件约束类和多轮对话的多问题展示风格。可针对用户提问的特定问题，对问题进行拆分理解、模板匹配等预处理工作，获得问题所属分类，反馈给用户不同格式的答案，使系统交互形式多样化。
1. 快速准确：针对系统已有的农作物病虫害和水稻基因领域，智能问答系统可在用户提问后的短时间内给出准确且形式多样的答案，并对答案做一定的补充说明，提高用户体验的满意度。
2. 领域知识深入（可靠性）：其中农作物病虫害图谱的本体概念模型包含七个预定义类别：病害（Disease）、虫害（Pest）、微生物（Microorganism）、农作物（Crop）、动物界（Animal）、国家（Nation）和地区（Region），标注实体共60990条；水稻基因知识图谱构建的本体模型包含基因（Gene）、蛋白质（Protein）、生物型（Biotype）、通路（Pathway）等8个领域实体类，located_in、has_trait、has_biotype等12个对象属性，生成1276895个三元组。在农作物病虫害和水稻基因领域，系统已可回答大部分专业性问题，可为用户提供更专业的领域知识。
3. 可扩展性：智能问答系统底层存储有一定数量的先验知识，而系统通过不断升级和更新，也可扩展和深化底层知识库及服务领域，并在已有的算法技术基础上，应用更加智能及先进的问答技术。
代表作学术贡献评价循证系统主要用于发现给定科学论文的同行评价证据，客观反映论文被同行认可的程度以及学术贡献价值，助推“代表作+机器循证+同行评议”新型学术评价模式。
1. 给定代表作，揭示突破/重大改进/原创/先进/应用/难度等同行评价证据
2. 分析施引文献数据，提供同行评价中的正向评价/负向评价引用句
3. 循证评价分析，揭示被同行认可的学术贡献点及其后续跟进证据链
4. 构建ESI基础学科的循证论文库，提供基础学科论文同行评价论文检索
5. 筛选被同行认可的个人代表作学术论文
1. 聚焦学术评价内容挖掘，解决质评中同行评价证据识别关键问题
2. 提供基础学科ESI高质量论文的同行评价报告
3. 构建适用于NSTL应用场景的代表作学术贡献循证服务
该工具集成双重评价模式、要素计量模式、自我认定模式，满足不同开放程度的文献识别，支撑NSTL多种开放程度馆藏资源的突破性文献识别。结合结论语步与突破性特征词识别潜在突破性论文中的贡献句，支持科研用户精准阅读与循证。
1. 集成于服务系统开展高价值文献推荐：统一数据输入形式，根据数据字段自动选择不同识别模式，如自我认定模式、要素计量模式或双重评价模式。
2. 支持用户自主识别潜在突破性文献：采用“批量处理模式”为用户提供识别潜在突破性研究的服务。用户可自主上传数据，根据数据类型选择不同模式识别潜在突破性文献。
3. 通过特征词辅助用户快速定位潜在突破性文献贡献句：对突破性文献的结论语步进一步识别“表征作者贡献、突破性的句子”，并将其中的突破性特征词表高亮展示。
结构化自动综述工具能够按照科技文献的研究问题、研究方法、研究进展等角度综合分析特定科技文献集的要点与看点，揭示文献集的研究脉络与骨架，并以交互式的界面展示给读者。
结构化自动综合工具包含了英文医学领域科技文献的检索、综合结果的结构化骨架展示功能、文献的要点与看点展示功能、结构化综合结果溯源与循证功能等。
1. 综合结果的结构化骨架揭示
在用户检索某医学领域概念后，工具能够在较短时间内（200篇文献约1秒左右）实时返回自动综合结果。自动综合结果以树形结构展开，树形结果第一层揭示了检索结果集包含了哪些具体研究问题，树形结果第二层揭示了研究某科学问题采用了哪些具体研究方法，树形结果第三层揭示了具体研究问题中各学者都用了哪些研究方法得到了哪些研究结论或产生了哪些研究进展。
2. 文献的要点与看点展示
用户点击具体研究问题、方法或进展后，能够在页面右侧展示该研究问题、方法或进展类簇中各文献包含的要点与看点。要点与看点包括：文献PMID、文献标题、研究问题短语、高分研究问题句、研究方法短语、高分研究方法句、研究进展短语、高分研究结论句等内容。
3. 综合结果溯源与循证
通过点击文献的PMID，能展示该文献完整的文摘数据，并高亮展示研究问题短语、研究方法短语与研究结论短语出现的位置，用于综合结果循证。
结构化自动综述工具，能够从文献内各细粒度知识对象的角度，组织科技文献集中的科技文献内容。
面对大量科技文献文本聚类问题，提出一种文本深度聚类特征融合框架，将ISCCL与GMLI算法深度聚类算法特征空间融合，为科技文献数据集提供更加准确的类簇划分。用户可以根据提供的例子Excel文件，上传想要聚类的文本，深度聚类引擎将返回深度聚类结果与每个类簇的聚类标签。
深度聚类引擎包含科技文献文本的深度聚类、聚类标签生成、聚类结果展示、聚类结果下载等功能。待处理的文本可以为若干段摘要、若干个句子或者若干个短语。
深度聚类引擎相比传统聚类方法，能够深入理解科技文献文本中的语义信息，挖掘文本中的局部语义特征，针对多类别、大体量的文本数据集更有优势。同时我们也能够自动生成各聚类簇的类簇标签，辅助读者了解类簇中的内容。
服务站
成员单位
友情链接
官方微信
安卓APP
© Copyright(C)2023 NSTL.All Rights Reserved 版权所有
