整理文獻信息，電腦表現(xiàn)不比人差

來源：生物谷作者：人氣：-發(fā)表時間：2014-12-10 09:30:00【大中小】

在1997年，IBM的電腦“深藍”打敗了象棋大師加里•卡斯帕羅夫（Gary Kasparov）。而由威斯康辛大學麥迪遜分校大學開發(fā)的電腦系統(tǒng)完成了更為復雜的任務：它可以從浩如煙海的科學文獻中檢索信息并進行數(shù)據(jù)分類，并且準確程度不比進行人工錄入的科學家差。這一研究成果于近日發(fā)表在《公共科學圖書館·綜合》（PLOS ONE）期刊上。

克里斯托弗·雷（Christopher Ré）是這個軟件項目的領(lǐng)導者，他表示：“我們證明，這個系統(tǒng)在我們所測試的所有信息處理任務中都不亞于真人，在一些方面它們甚至表現(xiàn)得更好，這個結(jié)果非常令人振奮。”

棋類游戲看起來可能很復雜，但它們都是建立在嚴格固定的規(guī)則之上的：在特定情況下，只有特定的一些走法是合規(guī)的。而從學術(shù)出版物中提取信息的規(guī)則不是那么明確，這對參與其中的人類和機器而言都是一種挑戰(zhàn)。

論文作者表示，開發(fā)這樣一個信息提取系統(tǒng)是為了解決古生物學中的分類學信息整理問題。每一年，古生物學家們都會基于化石發(fā)現(xiàn)發(fā)表眾多學術(shù)論文，在其中提出新的分類學觀點，這些信息非常重要，但也非常零散。如果要得到全景式的信息圖表，就得把這些散落在原始論文中的信息一點點提取出來，建立數(shù)據(jù)庫才行。

目前在這方面，與古生物學數(shù)據(jù)庫The Paleobiology Database合作的科學家們已經(jīng)進行了很多工作，他們在這個數(shù)據(jù)庫中人工錄入了許多來自原始科研論文的信息。然而，由于論文總數(shù)十分龐大且不斷增長，至今仍有大量論文信息還沒有進行錄入。為了解決這個問題，研究者們開始“訓練”計算機閱讀系統(tǒng)PaleoDeepDive，希望它能接替人進行這項繁重的工作。

這套系統(tǒng)是在機器閱讀系統(tǒng)DeepDive的基礎(chǔ)上建立的，類似的系統(tǒng)現(xiàn)在也被用在IBM和Google的項目當中。“唯一不同的是我們是圍繞著科學文獻來進行的，在這些文獻中的語言更加清晰和簡潔一些。”雷這樣說到。

正如人工錄入方式那樣，PaleoDeepDive也會首先“閱讀”文檔，并總結(jié)出其中的結(jié)構(gòu)性信息，如分類名、時期以及基因圖譜位置等等。“我們的策略并不是試圖猜測所有文獻中具體章節(jié)的含義，而是‘總體上判斷這個文獻所描述的問題’，”雷表示，“人們總是過度注意細節(jié)，而關(guān)注整體就是DeepDive 的優(yōu)勢所在。”

研究者們選取了一些機器錄入的信息，并將它們與人工錄入的信息混在一起進行了雙盲評價。結(jié)果發(fā)現(xiàn)，機器錄入信息的準確率可達92%，這個成績與人工錄入的水平持平，甚至還更高一些。“假如能獲取更多的反饋和數(shù)據(jù)，我們還可以在此基礎(chǔ)上做得更好，”論文第一作者沙南·彼得斯（Shanan E. Peters）說，“這將可以系統(tǒng)性地、大規(guī)模地改善數(shù)據(jù)的質(zhì)量。”

彼得斯表示：“最終，我們希望有能力創(chuàng)造一種電腦處理系統(tǒng)，它幾乎可以在瞬間完成很多地質(zhì)學家和古生物學家要花費一生時間來做的事情：閱讀大量文獻，整理大量事實，并且將它們彼此關(guān)聯(lián)起來，來解決一個復雜的問題。”