-
科学文献中蕴含的大量历史数据和经验知识, 对材料设计与研发具有重要参考价值. 文本挖掘尽管能高效地探索并利用被存储在海量科学文献中的信息, 但高质量文本数据的获取困难阻碍了其在材料领域更广泛的应用. 本文从品质和数量双视角剖析了材料领域的文本数据质量问题及其相关研究工作, 提出. 该方法通过可溯源的文献自动获取方案确保文本数据的源头可追溯; 以下游任务为驱动对文献进行预处理以提升预标注文本语料的质量; 基于材料四面体准则定义适配全体系的标签注释方案以完成对语料的高品质标注; 利用融合材料领域知识的有条件文本数据增强模型实现材料文本数据量的扩充. 在不同体系数据集上的实验结果表明, 该方法可有效地提升下游文本挖掘模型的预测精度, 其中在NASICON型固态电解质材料实体识别任务上的F1值达84%. 本文为文本挖掘在材料领域的深入应用提供理论指导和解决方案, 并有望推进数据与知识双向驱动的材料设计与研发.Numerous data and knowledge generated and stored as text in peer-reviewed scientific literature are important for materials research and development. Although text mining can automatically explore this information, the barriers of acquiring high-quality textual data prevent its general application in materials science. Herein, we systematically analyze the issues of textual DATA QUALITY and related research from the perspectives of data quality and quantity. Following this, we propose a pipeline to construct high-quality datasets for text mining in materials science. In this pipeline, we utilize the traceable automatic acquisition scheme of literature to ensure the traceability of textual data. Then, a data processing method driven by downstream tasks is used to generate high-quality pre-annotated corpora conditioned on the characteristics of material texts. On this basis, we define a general annotation scheme derived from materials science tetrahedron to complete high-quality annotation. Finally, a conditional data augmentation model incorporating material domain knowledge (cDA-DK) is constructed to augment the data quantity. Experimental results on datasets with various material systems demonstrate that our method can effectively improve the accuracy of downstream models and the F1-score towards the named entity recognition task in NASICON-type solid electrolyte material reaches 84%. This study provides an important insight into the general application of text mining in materials science, and is expected to advance the material design and discovery driven by data and knowledge bidirectionally.
[1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] -
获取方式 数据库 文档类型 访问权限 文档数量 参考 索引数据库 API CAplus 论文, 专利, 报告 订阅 少 www.cas.org/support/documentation/references DOAJ 论文 部分订阅 少 doaj.org PubMed Central 论文 开放获取 较少 www.ncbi.nlm.nih.gov/pmc Science Direct 论文 订阅 少 dev.elsevier.com/api_docs.html Scopus 摘要 开放获取 较少 Springer Nature 论文, 书籍 订阅 少 dev.springernature.com/ 网络爬虫 网页 论文, 专利, 报告, 书籍 开放获取 多 requests.readthedocs.io, crummy.com/software/BeautifulSoup 
下载:
导出CSV
来源 目标 标签数 标签类别 适用领域 应用实例 Weston等[11] 构建材料领域最新研究结果
与历史文献的关联7 无机材料, 相结构, 描述符, 属
性, 应用, 合成方法, 表征方法无机材料 目标材料检索, 文献搜索
与总结, 元信息分析He等[13] 从无机固相合成反应文献
中挖掘反应前体信息3 材料, 合成反应前体,
目标化合物无机固相
合成反应固相合成反应前体
数据挖掘, 元信息分析Friedrich等[12] 标注科学出版物中与SOFCs
实验相关的信息4(SOFC) 17(SOFC-slot) 实验, 材料, 数值, 应用等 电池材料 构建SOFCs科学语料库并用
于多个实验信息提取任务Wang等[10] 从文献中自动挖掘出数据驱动的材
料设计模型所需的高质量可靠数据6 元素, 合金命名实体, 成分含
量, 属性描述符, 属性值, 其他合金材料 钴基单晶高温合金${ {\rm{\gamma } } }'$
相固溶温度预测Nie等[9] 构建语义表示框架以探索潜在
的锂离子电池阴极材料3 无机材料, 锂离子电池
阴极材料, 属性描述符电池材料 新型锂离子电池阴
极材料设计与寻优下载:
导出CSV
实体标签 定义 示例 Composition 与化学式有关的内容; 描述材料内部与含量相关的内容等. NaCl, CaCl2; Na concentration, Electrons charge carriers. Structure 晶体结构; 相; 用于刻画晶体结构的名称等. Fcc, Phase; Bottleneck, Channel, Path. Property 带单位的可度量值; 材料表现出来定性的性质或现象;
描述材料产生物理/化学行为或物理/化学机制的名词等.Conductivity, Activation, Radius; Ferroelectric, Metallic; Phase transition, Ionic reaction. Processing 材料合成技术或加工工艺; 材料改性手段等. Solid state reaction, Annealing; Doping. Characterization 用于表征材料的任何实验、理论、模型或公式等. XRD, STM, Photoluminescence, DFT;
Bethe-Salpeter equation.Application 任何高级的应用; 任何特定的器件、系统等. Cathode, Photovoltaics; Battery Management System. Feature 样品类型、形状的特殊描述. Single crystal, Bulk, nanotube, Quantum dot. Condition 描述材料所处的环境或外部条件. 980 $°{\rm{C}}$, 1000 MPa. 下载:
导出CSV
关系标签 (A to B) 定义 可能存在此关系的实体类型 Cause-Effect A对B有影响 Property-Property, Composition-Structure, Structure-Property, ... Component-Whole A是B的部分 Composition-Composition, ... Feature-Of A是B的特征 Feature-Composition, Feature-Application, ... Located-Of A占据了B位置 Composition-Structure, ... Instance-Of A是B的实例 Composition-Composition, Structure-Structure, Property-Property, ... Condition-On A的条件是B Processing-Condition, ... Method-Of A的表征方法是B Property-Characterization, ... Other A与B存在除上述关系类型外的其他关系 — 下载:
导出CSV
标注工具 适配任务 文本要求 角色管理权限 难易性 友好性 可扩展性 参考 Label Studio 多模态信息标注 严格 不完善 普通 中 中 labelstud.io Brat 关系标注 一般 完善 普通 中 低 github.com/nlplab/brat Doccano 文本分类 严格 较完善 普通 低 低 github.com/doccano EasyData 实体与关系标注 一般 完善 容易 高 高 ai.baidu.com/easydata/ 下载:
导出CSV
算法1 数据增强方法cDA-DK 输入 原始数据集$ {D}_{{\rm{t}}{\rm{r}}{\rm{a}}{\rm{i}}{\rm{n}}} = \{\left({x}_{1}, {y}_{1}\right), \left({x}_{2}, {y}_{2}\right), \dots , \left({x}_{n}, {y}_{n}\right)\} $ 预训练语言模型模型$ {P}_{{\rm{D}}{\rm{i}}{\rm{s}}{\rm{t}}{\rm{i}}{\rm{l}}{\rm{R}}{\rm{o}}{\rm{B}}{\rm{E}}{\rm{R}}{\rm{T}}{\rm{a}}} $ 材料领域词典$ C=\{{w}_{1}, {w}_{2}, \dots , {w}_{m}\} $输出 增强数据集$ {D}_{{\rm{s}}{\rm{y}}{\rm{n}}{\rm{t}}{\rm{h}}{\rm{e}}{\rm{t}}{\rm{i}}{\rm{c}}} $ 1: 开始 2:for$ {w}_{i}\in C $do3: $ {w}_{i} $输入至$ {P}_{{\rm{D}}{\rm{i}}{\rm{s}}{\rm{t}}{\rm{i}}{\rm{l}}{\rm{R}}{\rm{o}}{\rm{B}}{\rm{E}}{\rm{R}}{\rm{T}}{\rm{a}}} $的词汇表并训练其对应的词向量 4: 在下游任务文本数据增强上微调$ {P}_{{\rm{D}}{\rm{i}}{\rm{s}}{\rm{t}}{\rm{i}}{\rm{l}}{\rm{R}}{\rm{o}}{\rm{B}}{\rm{E}}{\rm{R}}{\rm{T}}{\rm{a}}} $得到$ {F}_{{\rm{D}}{\rm{i}}{\rm{s}}{\rm{t}}{\rm{i}}{\rm{l}}{\rm{R}}{\rm{o}}{\rm{B}}{\rm{E}}{\rm{R}}{\rm{T}}{\rm{a}}} $ 5: 初始化$ {D}_{{\rm{s}}{\rm{y}}{\rm{n}}{\rm{t}}{\rm{h}}{\rm{e}}{\rm{t}}{\rm{i}}{\rm{c}}}=\left\{\right\} $ 6:for$ \left\{{x}_{i}, {y}_{i}\right\}\in {D}_{{\rm{t}}{\rm{r}}{\rm{a}}{\rm{i}}{\rm{n}}} $do 7: $ ({\widehat{x}}_{i}, {\widehat{y}}_{i})={F}_{{\rm{D}}{\rm{i}}{\rm{s}}{\rm{t}}{\rm{i}}{\rm{l}}{\rm{R}}{\rm{o}}{\rm{B}}{\rm{E}}{\rm{R}}{\rm{T}}{\rm{a}}}({x}_{i}, {y}_{i}) $ // 生成新的样本 8: $ {D}_{{\rm{s}}{\rm{y}}{\rm{n}}{\rm{t}}{\rm{h}}{\rm{e}}{\rm{t}}{\rm{i}}{\rm{c}}}={D}_{{\rm{s}}{\rm{y}}{\rm{n}}{\rm{t}}{\rm{h}}{\rm{e}}{\rm{t}}{\rm{i}}{\rm{c}}}\cup ({\widehat{x}}_{i}, {\widehat{y}}_{i}) $ // 生成样本加入增强数据集 9: 结束 下载:
导出CSV
数据集 样本数 实体类型 实体数 关系类型 关系数 CoNLL-2004 1, 441 4 5, 347 5 2, 020 NASICON 2, 434 8 4, 857 8 2, 297 下载:
导出CSV
数据集 样本数 实体数 关系数 示例 原始数据集 2434 4857 2297 The (O)ionic(B-Property) conductivity (I-Property) decreases (O) with (O) increasing (O)activation(B-Property) energy (I-Property) . (O) cDA-DK 增强数据集 4846 9714 4594 The (O)electrode(B-Property) conductivity (I-Property) decreases (O) with (O) increasing (O)electric(B-Property) energy (I-Property) . (O) 下载:
导出CSV
数据集名称 应用领域 重命名 样本量 语料规模 来源 NASICON 实体识别数据集 NASICON 型固态电解质 Dataset 1 2, 434 55篇文献 领域专家标注 Dataset 2 2, 434 — 数据增强 Dataset 3 305 35篇文献 非专业人员标注 Matscholar[11] 无机材料 Dataset 4 5, 459 800份摘要 领域专家标注 Dataset 5 5, 459 — 数据增强 下载:
导出CSV
数据集 材料类别 样本量 Precision Recall F1-score Dataset 1 NASICON 型固态电解质 2, 434 0.78 0.83 0.80 Dataset 2 2, 434 0.68 0.72 0.70 Dataset 2+3 2, 739 0.83 0.85 0.84 Dataset 4 无机材料 5, 459 0.86 0.90 0.88 Dataset 5 5, 459 0.75 0.78 0.77 下载:
导出CSV
-
[1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33]
下载:
计量
- 文章访问数:4826
- PDF下载量:175
- 被引次数:0