一个高效的深度学习框架,用于揭示纳米科学中表征方法的演变
Hui-Cong Duan1, Long-Xing Lin1, Ji-Chun Wang1
1Institute of Artificial Intelligence, Pen-Tung Sah Institute of Micro-Nano Science and Technology, State Key Laboratory of Physical Chemistry of Solid Surfaces, Xiamen University, Xiamen, 361005, People's Republic of China.
Nano-micro letters
|June 13, 2025
概括
本研究引入了一种新的文本挖掘方法,将引用分析和主题建模结合起来,以构建全面的知识图. 该方法增强了对科学历史的理解,特别是在拉曼光谱学中.
科学领域:
- 科学知识的发现科学知识的发现.
- 科学的历史科学的历史.
- 图书统计学 图书统计学
背景情况:
- 由于域特异性,文本挖掘方法通常会产生不完整的知识图.
- 在科学领域提取隐藏的发展模式需要先进的分析工具.
研究的目的:
- 开发一种结合引用分析和主题建模的文本挖掘方法,用于构建全面的科学知识图表.
- 揭示科学历史上隐藏的发展模式,使用拉曼光谱作为案例研究.
主要方法:
- 开发了一种新的方法,将引用分析与主题建模 (隐性迪里克莱特分配) 整合在一起.
- 一个基于规则的tokenizer被设计来解决化学实体命名的挑战.
- 性能与传统的文本挖掘方法进行了比较.
主要成果:
- 与基线模型相比,拟议的方法显著提高了主题连贯性 (≥100%的增长) 和多样性 (0126%的增长).
- 基于规则的tokenizer在处理化学命名规范方面的有效性得到了证明.
- 知识图成功地揭示了拉曼光谱学中的话题分布,关系和历史里程碑.
结论:
- 综合方法为科学科学研究提供了一个强大的工具.
- 这种方法为研究领域的历史调查和发展预测提供了新的见解.
- 这种方法对于绘制科学演变和识别关键发展的地图是多功能性的.
