[發明專利]一種氣溶膠文獻格式化數據庫的構建方法

在審

• 申請號: 201910469969.6
• 申請日: 2019-05-31
• 公開（公告）號: CN110222057A
• 公開（公告）日: 2019-09-10
• 發明（設計）人: 張克俊;鄭俊;黃小倚;陳潔;劉東;畢磊
• 申請（專利權）人: 浙江大學
• 主分類號: G06F16/22
• 分類號: G06F16/22;G06F16/2458;G06F16/25;G06F16/951
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟;曹兆霞

本發明公開了一種氣溶膠文獻格式化數據庫的構建方法，包括：(1)收集全球氣溶膠文獻數據，確定氣溶膠文獻數據的文獻相關屬性、文本統計信息屬性、數據圖具體數值屬性；(2)提取每個氣溶膠文獻的文獻相關屬性，形成文獻相關屬性數據表；(3)對每個氣溶膠文獻進行PDF到TXT文本格式轉換、文本預處理以及正則模板匹配，形成文本統計數據表；(4)對數據圖進行數據點坐標信息提取，形成數據圖具體數值數據表；(5)建立文獻相關屬性數據表、文本統計數據表以及數據圖具體數值數據表之間的索引關系，將對應的文獻相關屬性、文本統計信息以及數據圖具體數值進行存儲，形成氣溶膠文獻格式化數據庫。此方法還包括提供眾包平臺和知識服務。

技術領域

本發明屬于數據庫建設領域，具體涉及一種氣溶膠文獻格式化數據庫的構建方法。

背景技術

在氣溶膠領域，學者們數據的來源除實地測量外，還有一個重要的途徑是海量的歷史文獻。對于這類數據，如果需要更加全面的獲取，大多需要文獻綜述的幫助。但對于作者來說，需要閱讀大量文獻資料進行統計整理，而且每過幾年就需要更新來保證此類文獻的統計知識的實時性，工作量大且繁瑣。對于讀者來說，想要快速地獲取此類統計知識還需要自行搜索綜述文獻并判斷它們的權威性，獲取的知識也受文獻撰寫者想要展示出的如地區、年份等的限制。

其他領域如臨床醫學、社會化政務等已經出現了對文獻進行結構化分析的思想與應用。在臨床醫學領域，出現了系統綜述和meta分析。系統綜述有別于目前被普遍采用的敘述性綜述，它集中于某一具體的問題，盡量全面無偏差地收集現在所有的發表與未發表的文獻資料，根據事先擬定的標準進行分析和評價，并且作者會定期收集新的原始研究資料來及時更新和補充知識。而meta分析，則是在系統綜述中采用適當的統計學方法來合并數據，以量化的平均效果得出綜合性結論的過程，也稱為定量系統綜述。系統綜述克服了敘述性綜述的不完整性和非客觀性的缺陷，但卻是一項非常花時間和占資源的工作，通常一篇系統綜述需要耗費一個團隊一年甚至更長的時間，對團隊信息檢索、領域專業知識等要求很高，并且更新和補充的需求也使得系統綜述所需投入的精力被無限擴大。

在社會化政務領域，有學者在2015年提出了一個結構化的文獻分析框架，以此對現有的社會化政務國外研究文獻進行了總結和分析，并且已取得了一定的進展，為社會化政務的研究提供了一定的依據和啟示。他們所設定的框架內容主要包括文獻內容所含的研究情境(研究主題、研究區域、分析單位)、研究方法(研究類型、研究方法、研究方法數目和數據來源)以及文章發表信息(發表年份、期刊)等，文獻的分析工作由三人全人工閱讀完成。由此可以看到，盡管在其他領域已有一些前期的研究，但在氣溶膠領域少有涉及，并且為了搭建格式化數據庫非常的耗時耗力。

發明內容

本發明的目的是提供一種氣溶膠文獻格式化數據庫的構建方法，該構建方法能夠收集分散在海量氣溶膠歷史文獻中的數據，格式化存儲建成電子數據庫，并搭建網站提供可視化等附加服務，來吸引用戶自發地通過眾包平臺擴充數據。

本發明的技術方案為：

一種氣溶膠文獻格式化數據庫的構建方法，包括以下步驟：

(1)收集全球氣溶膠文獻數據，確定氣溶膠文獻數據的文獻相關屬性、文本統計信息屬性、數據圖具體數值屬性；

(2)提取每個氣溶膠文獻的文獻相關屬性，形成文獻相關屬性數據表；

(3)對每個氣溶膠文獻進行PDF到TXT文本格式轉換、文本預處理以及正則模板匹配，以實現文本統計信息的提取，形成文本統計數據表；

(4)對數據圖進行數據點坐標信息提取，以提取數據圖具體數值，形成數據圖具體數值數據表；

(5)建立文獻相關屬性數據表、文本統計數據表以及數據圖具體數值數據表之間的索引關系，將對應的文獻相關屬性、文本統計信息以及數據圖具體數值進行存儲，形成氣溶膠文獻格式化數據庫。