本發(fā)明涉及化學(xué)信息學(xué)，尤其涉及一種從期刊論文提取化學(xué)反應(yīng)信息的方法。

背景技術(shù)：

1、化學(xué)反應(yīng)及其相關(guān)的反應(yīng)物、產(chǎn)物、反應(yīng)條件、產(chǎn)物特性等信息是藥物化學(xué)、材料化學(xué)和生物化學(xué)等領(lǐng)域的最重要的基礎(chǔ)知識之一。通過掌握這些知識，可幫助相關(guān)人員推斷出反應(yīng)機理、設(shè)計并優(yōu)化合成路線、預(yù)測反應(yīng)的主要產(chǎn)物以及可能的副產(chǎn)物，從而高效地合成目標(biāo)化合物，如藥物、天然產(chǎn)物、新化合物和新材料。

2、化學(xué)反應(yīng)及相關(guān)信息的最主要來源是期刊文獻(xiàn)，但這些信息在期刊文獻(xiàn)中的呈現(xiàn)形式多樣，多模態(tài)且高度非結(jié)構(gòu)化，包括圖片、表格、文本等形式。高效而準(zhǔn)確地從期刊文獻(xiàn)中提取化學(xué)反應(yīng)及相關(guān)信息可為相關(guān)學(xué)科和領(lǐng)域的發(fā)展和應(yīng)用提供強有力的支持。

3、目前對期刊文獻(xiàn)化學(xué)反應(yīng)信息的提取有兩類方法：一是基于專家知識的人工提?。欢腔谌斯ぶ悄艿淖詣犹崛?。人工提取的方法主要依賴領(lǐng)域?qū)＜业闹R和理解，其優(yōu)點是能夠保證信息的高度準(zhǔn)確性，但缺點是效率極低，需要耗費大量的時間和人力成本。人工提取是目前主流化學(xué)反應(yīng)信息數(shù)據(jù)庫所采用的主要方法，包括scifinder、reaxys等。與人工提取相對應(yīng)的是近期發(fā)展起來的基于人工智能的自動提取方法。這類自動提取方法基于大數(shù)據(jù)和人工智能技術(shù)，在部分標(biāo)注數(shù)據(jù)的基礎(chǔ)上建立智能算法，從而實現(xiàn)化學(xué)反應(yīng)信息的自動提取。例如專利cn115481627a公開了一種化學(xué)反應(yīng)信息提取方法，該方法基于語義識別化學(xué)反應(yīng)中的反應(yīng)信息，并通過圖片識別比對相應(yīng)的化學(xué)式結(jié)構(gòu)。該方法充分利用了期刊中的全文文本信息，但無法解析化學(xué)反應(yīng)示意圖中的邏輯信息。實際上，專業(yè)人員更習(xí)慣于首先查看化學(xué)反應(yīng)的示意圖及其附屬圖表，這是因為從化學(xué)反應(yīng)示意圖和附屬圖表中可以快速準(zhǔn)確地識別出化學(xué)反應(yīng)的常用信息，包括反應(yīng)物、產(chǎn)物、反應(yīng)條件等。此外，化學(xué)反應(yīng)示意圖及附屬的圖表的信息密度遠(yuǎn)高于文本信息，因此開發(fā)基于化學(xué)反應(yīng)示意圖及附屬圖表的化學(xué)反應(yīng)信息智能提取方法更具實用價值。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是針對上述現(xiàn)有技術(shù)的不足，提供一種從期刊論文提取化學(xué)反應(yīng)信息的方法，基于化學(xué)反應(yīng)示意圖及附屬圖表，實現(xiàn)從期刊文獻(xiàn)中提取化學(xué)反應(yīng)信息。

2、為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案是：一種從期刊論文提取化學(xué)反應(yīng)信息的方法，針對期刊論文中化學(xué)反應(yīng)式示意圖及其附屬的圖表，將提取流程進(jìn)行工序化分解，具體包括反應(yīng)信息單元提取、反應(yīng)信息模態(tài)分割、化學(xué)反應(yīng)式解析、表格解析、文本解析、反應(yīng)信息整合、數(shù)據(jù)存儲多個工序，包括以下步驟：

3、步驟1：從期刊文件中提取反應(yīng)信息單元；所述反應(yīng)信息單元為期刊文件中的包含至少一個化學(xué)反應(yīng)的完整的論文圖及其附屬的表格和條件說明文本；

4、步驟2：針對反應(yīng)信息單元進(jìn)行反應(yīng)信息模態(tài)分割；

5、將步驟1中提取的反應(yīng)信息單元自動分割為化學(xué)反應(yīng)式、表格和條件說明文本三類圖片信息；

6、步驟3：對步驟2分割出的化學(xué)反應(yīng)式圖片、表格圖片和條件說明文本圖片分別進(jìn)行解析；

7、步驟3.1：化學(xué)反應(yīng)式解析；

8、將步驟2分割出的化學(xué)反應(yīng)式圖片進(jìn)行解析，識別出其中的反應(yīng)物、產(chǎn)物、箭頭、反應(yīng)條件、連接符、分子標(biāo)簽信息，并且將以圖片形式表達(dá)的分子結(jié)構(gòu)圖識別為機器可讀的格式；

9、步驟3.2：表格解析；

10、將步驟2分割出的表格圖片進(jìn)行解析，根據(jù)自定義詞條匹配反應(yīng)條件和備注信息；

11、步驟3.3：文本解析；

12、將步驟2分割出的條件說明文本圖片進(jìn)行解析，根據(jù)自定義詞典匹配反應(yīng)條件和備注信息；

13、步驟4：反應(yīng)信息整合；

14、將步驟3中所解析出的信息整合為完整的化學(xué)反應(yīng)信息；整合的化學(xué)反應(yīng)信息包括：反應(yīng)物、產(chǎn)物、溶劑、催化劑、試劑、分子標(biāo)簽、反應(yīng)溫度、反應(yīng)時間、產(chǎn)率和備注信息；

15、步驟5：數(shù)據(jù)存儲；

16、將步驟1-步驟4所提取、分割、解析以及整合的反應(yīng)信息以優(yōu)化的方式存儲，方便后續(xù)的使用和更新。

17、優(yōu)選地，所述步驟1從期刊文件中提取的具體方法為：

18、步驟s11：將包含化學(xué)反應(yīng)信息的期刊文件的所有頁面均轉(zhuǎn)為圖片格式；

19、步驟s12：人工標(biāo)注出圖片中反應(yīng)信息單元的位置，從而建立反應(yīng)信息單元提取的初始訓(xùn)練集；

20、步驟s13：利用標(biāo)注的反應(yīng)信息單元圖片數(shù)據(jù)建立反應(yīng)信息單元提取機器學(xué)習(xí)模型；

21、步驟s14：利用反應(yīng)信息單元提取機器學(xué)習(xí)模型自動提取新的期刊圖片中的反應(yīng)信息單元；

22、步驟s15：對反應(yīng)信息單元提取機器學(xué)習(xí)模型提取的結(jié)果進(jìn)行抽檢，將提取錯誤的圖片人工重新標(biāo)注后加入訓(xùn)練集；

23、步驟s16：利用更新后的訓(xùn)練數(shù)據(jù)持續(xù)更新迭代反應(yīng)信息單元提取機器學(xué)習(xí)模型，直至人工抽檢錯誤率低于設(shè)定閾值。

24、優(yōu)選地，所述步驟2反應(yīng)信息模態(tài)分割的具體方法為：

25、步驟s21：人工標(biāo)注出步驟1中提取的反應(yīng)信息單元圖片中化學(xué)反應(yīng)式、表格、文本的位置，從而建立反應(yīng)信息模態(tài)分割的初始訓(xùn)練集；

26、步驟s22：利用標(biāo)注的反應(yīng)信息模態(tài)圖片數(shù)據(jù)建立反應(yīng)信息模態(tài)機器學(xué)習(xí)模型；

27、步驟s23：利用反應(yīng)信息模態(tài)機器學(xué)習(xí)模型自動分割未標(biāo)注的反應(yīng)信息單元圖片中的反應(yīng)信息模態(tài)；

28、步驟s24：人工對反應(yīng)信息模態(tài)機器學(xué)習(xí)模型分割的結(jié)果進(jìn)行抽檢，將分割錯誤的圖片人工重新標(biāo)注后加入反應(yīng)信息模態(tài)分割的訓(xùn)練集；

29、步驟s25：利用更新后的反應(yīng)信息模態(tài)分割的訓(xùn)練數(shù)據(jù)持續(xù)更新迭代反應(yīng)信息模態(tài)機器學(xué)習(xí)模型，直至人工抽檢錯誤率低于設(shè)定閾值。

30、優(yōu)選地，步驟3.1所述化學(xué)反應(yīng)式解析包括化學(xué)反應(yīng)子項識別、化學(xué)反應(yīng)式識別和分子結(jié)構(gòu)識別三個子過程；

31、其中，化學(xué)反應(yīng)子項識別的目的是識別化學(xué)反應(yīng)式圖片中反應(yīng)物、產(chǎn)物、箭頭、反應(yīng)條件、連接符和分子標(biāo)簽所在的位置；

32、所述化學(xué)反應(yīng)式識別的目的是確定化學(xué)反應(yīng)子項識別中識別出的分子屬性，即：反應(yīng)物、產(chǎn)物、反應(yīng)條件和分子標(biāo)簽；

33、所述分子結(jié)構(gòu)識別的目的是將化學(xué)反應(yīng)子項識別中識別出的分子結(jié)構(gòu)圖片轉(zhuǎn)化為機器可讀的格式。

34、優(yōu)選地，所述化學(xué)反應(yīng)子項識別的具體方法為：

35、(1)人工標(biāo)注出步驟2中分割的化學(xué)反應(yīng)式圖片中分子、箭頭、反應(yīng)條件、標(biāo)簽、連接符的位置，從而建立化學(xué)反應(yīng)子項識別的初始訓(xùn)練集；

36、(2)利用標(biāo)注的化學(xué)反應(yīng)子項圖片數(shù)據(jù)建立反應(yīng)子項識別機器學(xué)習(xí)模型；

37、(3)利用化學(xué)反應(yīng)子項識別機器學(xué)習(xí)模型自動識別分割的化學(xué)反應(yīng)式圖片中的反應(yīng)子項；

38、(4)人工對化學(xué)反應(yīng)子項識別機器學(xué)習(xí)模型自動識別的結(jié)果進(jìn)行校對，并將識別錯誤的圖片人工重新標(biāo)注后加入化學(xué)反應(yīng)子項識別的訓(xùn)練集；

39、(5)利用更新后的化學(xué)反應(yīng)子項識別的訓(xùn)練數(shù)據(jù)持續(xù)更新迭代反應(yīng)子項識別機器學(xué)習(xí)模型，直至人工校對錯誤率低于設(shè)定閾值。

40、優(yōu)選地，所述化學(xué)反應(yīng)式的識別過程根據(jù)分子與箭頭的相對位置，采用如下基于規(guī)則的方法進(jìn)行識別：

41、1)每個箭頭代表一個化學(xué)反應(yīng)；

42、2)位于箭頭起點方向的分子為反應(yīng)物，位于箭頭終點方向的分子為產(chǎn)物，其他位于箭頭垂直方向的文本為反應(yīng)條件；

43、3)符號“+”前后或上下的分子具有相同的屬性；

44、4)根據(jù)距離最近原則，定義每個分子標(biāo)簽所屬的分子；

45、人工對根據(jù)上述規(guī)則識別的反應(yīng)式進(jìn)行校對，并根據(jù)校對結(jié)果修正判定規(guī)則，直至人工校對錯誤率低于設(shè)定閾值。

46、優(yōu)選地，所述分子結(jié)構(gòu)識別的具體方法為：

47、(a)人工繪制出化學(xué)反應(yīng)子項識別中識別出的分子結(jié)構(gòu)圖，從而建立分子結(jié)構(gòu)識別初始訓(xùn)練集；

48、(b)利用人工繪制的分子結(jié)構(gòu)圖數(shù)據(jù)建立分子結(jié)構(gòu)識別機器學(xué)習(xí)模型；

49、(c)利用分子結(jié)構(gòu)識別機器學(xué)習(xí)模型自動識別新的分子結(jié)構(gòu)圖；

50、(d)人工對識別的結(jié)果進(jìn)行校對，并將校正錯誤的結(jié)果進(jìn)行人工修改或重新繪制后加入分子結(jié)構(gòu)識別訓(xùn)練集；

51、(e)利用更新后的分子結(jié)構(gòu)識別訓(xùn)練數(shù)據(jù)持續(xù)更新迭代分子結(jié)構(gòu)識別機器學(xué)習(xí)模型，直至人工校對錯誤率低于設(shè)定閾值。

52、優(yōu)選地，步驟3.2所述表格解析的目的是將步驟2中識別出的圖片格式的表格識別為機器可讀的格式，該識別過程的具體方法為：

53、步驟s321)采用開源的表格解析機器學(xué)習(xí)模型對表格圖片進(jìn)行解析；

54、步驟s322)人工對表格解析的結(jié)果進(jìn)行抽檢，將抽檢錯誤的表格人工重新標(biāo)注后加入表格解析訓(xùn)練集；

55、步驟s323)利用更新后的表格解析訓(xùn)練數(shù)據(jù)持續(xù)更新迭代表格解析機器學(xué)習(xí)模型，直至人工抽檢錯誤率低于設(shè)定閾值。

56、優(yōu)選地，步驟3.3所述文本解析的目的是將步驟2中識別出的圖片格式的條件說明文本識別為機器可讀的格式，該識別過程的具體方法為：

57、步驟s331：采用開源的文本解析機器學(xué)習(xí)模型對條件說明文本圖片進(jìn)行解析；

58、步驟s332：人工對文本解析的結(jié)果進(jìn)行抽檢，將錯誤的條件說明文本圖片人工重新標(biāo)注后加入文本解析訓(xùn)練集；

59、步驟s333：利用更新后的文本解析訓(xùn)練數(shù)據(jù)持續(xù)更新迭代文本解析機器學(xué)習(xí)模型，直至人工抽檢錯誤率低于設(shè)定閾值。

60、優(yōu)選地，所述步驟4反應(yīng)信息整合的目的是將上述所有流程提取解析的化學(xué)反應(yīng)信息按照設(shè)定的數(shù)據(jù)類別進(jìn)行整合，具體方法為：

61、步驟s41：將步驟3.1中提取分子結(jié)構(gòu)圖按照所解析的屬性分別整合為反應(yīng)物、產(chǎn)物、溶劑、催化劑和試劑這些反應(yīng)信息；

62、步驟s42：將步驟3.1中識別的文本信息和步驟3.3中解析的文本信息合并處理，采用開源的語義解析模型，根據(jù)自定義字典自動提取匹配得溶劑、催化劑、試劑、分子標(biāo)簽、反應(yīng)溫度、反應(yīng)時間和產(chǎn)率信息；將未匹配上的信息歸入備注信息；

63、步驟s43：將步驟3.3中解析的表格信息整合為反應(yīng)條件信息；通過創(chuàng)建表頭字典，建立表頭與反應(yīng)信息屬性的對應(yīng)，自動提取匹配的溶劑、催化劑、試劑、分子標(biāo)簽、反應(yīng)溫度、反應(yīng)時間和產(chǎn)率信息；將未匹配的信息歸入備注信息；

64、步驟s44：對反應(yīng)信息整合的結(jié)果進(jìn)行抽檢，并將錯誤結(jié)果進(jìn)行修正；

65、步驟s45：根據(jù)修正的反應(yīng)信息整合數(shù)據(jù)，重新執(zhí)行步驟s41-步驟s44，直至抽檢錯誤率低于設(shè)定閾值。

66、采用上述技術(shù)方案所產(chǎn)生的有益效果在于：本發(fā)明提供的一種從期刊論文提取化學(xué)反應(yīng)信息的方法，可高效且準(zhǔn)確的提取期刊論文中與化學(xué)反應(yīng)相關(guān)的反應(yīng)物、產(chǎn)物、反應(yīng)條件、產(chǎn)率、備注等信息。該方法針對期刊論文中化學(xué)反應(yīng)式示意圖及其附屬的圖表，將提取流程進(jìn)行工序化分解，具體包括反應(yīng)信息單元提取、反應(yīng)信息模態(tài)分割、化學(xué)反應(yīng)式解析、表格解析、文本解析、反應(yīng)信息整合、數(shù)據(jù)存儲等工序。每個工序包括自動預(yù)處理和人機交互兩個處理環(huán)節(jié)：自動預(yù)處理采用基于機器學(xué)習(xí)或基于機理的模型對任務(wù)進(jìn)行自動處理，人機交互進(jìn)行人工檢驗和模型更新。