筛选和分析文献的AI神器paperai

点击上方↑↑↑“OpenCV学堂”关注我

来源：公众号 量子位 授权

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：

1. Markdown（默认），输出Markdown报告。
2. CSV，输出CSV报告。
3. 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