Kaggle八项大奖斩获其6：用于筛选和分析文献的paperai
新冠文献数据集
木易 发自 凹非寺
量子位 报道 | 公众号 QbitAI
近日，一项用于筛选和分析文献的AI工具paperai，冲上了Reddit热榜。
原因是：他在CORD-19（COVID-19文献数据集） Kaggle挑战赛中斩获了6项大奖。
对于这一项工具，开发者说：
帮助研究人员从枯燥乏味的文献筛选中解放出来，让他们可以更加专注于核心工作。
这又是一项什么神仙工具？让我们来仔细看看。
Kaggle CORD-19斩获6项大奖
Kaggle CORD-19挑战赛，全称是COVID-19开放研究数据集挑战赛。
主办方准备了一个庞大的文献数据库，包含了20多万篇学术论文，其中有10万余篇是与COVID-19相关的研究。
该比赛希望全世界AI专家使用文本挖掘工具，来完成比赛中的各类任务。
最后，帮助研究人员能从浩如烟海的文献进行高效检索，为推进COVID-19的研究提供帮助。
就是在这样一项比赛中，这个paperai，获得了8项任务大奖中的6项：
- 创建了与新冠肺炎相关的人口研究的汇总表；
- 创建了与新冠肺炎相关的患者描述的汇总表；
- 创建了与新冠肺炎相关的模型和未决问题的汇总表；
- 创建了与新冠肺炎相关的材料研究的汇总表；
- 创建了针对新冠肺炎诊断的汇总表；
- 创建了与新冠肺炎相关的风险因素的汇总表。
对于一项工具，在多项任务的普适，这毫无疑问是巨大的成功。
那么，这么强势的一项工具，其背后，又是如何运行工作的呢？
句嵌入索引分析CORD-19
简单来说就是，该模型就是句嵌入索引和带有文章的SQLite数据库的组合。
首先，每篇文章都被解析成句子，并与文章元数据一起存储在SQLite中。
SQLite本身就具有虚拟表模块FTS5，可以进行全文搜索。
这个全文搜索引擎，允许用户在大量文档集合中高效地搜索包含一个或多个搜索词。
SQLite的FTS5默认加权方案是tf-idf，此外，它还支持BM25，这使得性能够进一步提高。
之后，使用FastText+BM25创建句嵌入索引。
BM25是一个词袋检索功能，它根据每个文档中出现的查询词对一组文档进行排序。
最后，开发者选择使用FastText为每个标记检索单词嵌入。为了构建句子嵌入，嵌入可以被平均在一起以创建单个嵌入向量。
于是，在各种Buff的加持下，我们能够看到的是：
在整个语料库上，预先训练得到了FastText向量，加上了BM25辅助建立索引并排列。最后，得到带有句嵌入索引的文章，帮助检索产生最相关的结果。
最后，检索出来句子，会通过过TextRank算法进行分析和运行，以便在最终的报告中，以高亮的形式框出。
以上图为例，在目标进行检索后，系统会输出文献的基本信息，如日期、研究方向、期刊等。
之后，会在对你所检索的问题进行句子提取和所在文献的排序，最终在文献中，所在句子会以高亮的形式框出。
目前，检索生成的报告支持多种格式的输出：
- Markdown（默认），输出Markdown报告。
- CSV，输出CSV报告。
- 注释，从文章中提取结果，并在原始的PDF文件上进行注释。
目前，该项目已经在Github开源获取，感兴趣的小伙伴可以点击下面链接访问获得。
Reddit链接：
https://www.reddit.com/r/MachineLearning/comments/kbnlte/p_paperai_aipowered_literature_discovery_and/
Github链接：
https://github.com/neuml/paperai
— 完 —
- 叶杰平入选、华人占4成，2020年ACM杰出科学家榜单出炉2020-12-17
- 我在信息学奥赛上，用Bug直接改了验算数据，拿了满分算作弊嘛？2020-12-10
- 生物学50年难题被DeepMind解决了，蛋白质版“阿法狗”预测结构准确性达92.42020-12-01
- 王者荣耀「绝悟」完全体上线：解禁全英雄，在线约你来战2020-11-28
相关阅读
