引文分析評價系統是由國家科技圖書文獻中心(National Science and Technology Library, NSTL)承擔建設，優選了來自理、工、農、醫領域的1.1萬種外文期刊，收錄了2006年以來的來源文獻和引文文獻數據，形成以引文關系網絡為基礎的引文分析評價數據庫。
1. 論文檢索：支持關鍵詞、作者、標題等多種方式的檢索，集成了年份、作者名字、國家、文獻類型、學科領域、出版物名稱等細分方式；可以檢索引用了個人著作的參考文獻；與文獻管理軟件無縫對接，可以創建自己的私人文獻庫，方便論文管理。
2. 領域發展趨勢與科研動態追蹤：通過對檢索結果進行分析，利用引文報告功能可以查看每年該領域發文數目等信息，判斷領域的發展趨勢，同時也可以很方便地知道該領域最具影響力的論文（包括領域中的高被引論文以及熱點論文等）、主要研究機構、領域內的知名研究人員等；通過創建檢索歷史跟蹤服務可以很方便地知道所檢索內容的最新進展；也可以追蹤某一期刊最新論文等。
3. 收錄與引用查詢：可以方便地了解論文的自引，他引次數等信息。
4. 國家對標分析：可以選擇要對比國家、學科領域、時間窗等維度，提供基于總量現狀（含發文總量、作者總量、出版物總量、被引總量）、趨勢分析（展示一個時間窗內的發文、作者、平均被引、機構、作者的數量變化）、排名分析（機構、學者、出版物、學科排名）、合作分析等角度的國家對標分析。
5.項目瀏覽和檢索：可以瀏覽資助機構介紹信息，支持項目編號、項目名稱、項目年份等多種方式的檢索，集成了資助機構、資助國家/地區、承擔機構等細分方式；實現了項目數據與文獻數據的關聯，可以查看項目資助的發文情況及文獻數據的項目資助情況。
提供以引文關系網絡為基礎的知識發現、分析、管理功能。
名稱：引文分析評價系統
專利技術演化分析與預測系統集成了基礎統計分析、技術演化路徑繪制、技術實體成熟度預測和技術機會分析與演進方向預測等功能模塊，以滿足NSTL用戶對專利分析的多層次需求。通過全自動的數據、服務和管理流程，為NSTL用戶提供了流暢的使用體驗。
1.領域專利數據集預處理：輔助用戶對預分析領域專利數據集進行檢索、瀏覽、實體抽取、篩選、過濾和刪除等預處理操作，以達到清洗和優化預分析領域專利數據集的目的。
2.專利基礎分析：通過可視化圖表揭示領域技術發展的全貌，揭示技術領域的發展趨勢、技術特點、申請人情況、地域分布、法律環境以及運營分析等各個方面的信息，幫助用戶進行多維度的技術領域分析和解讀。
3.專利技術分析與預測：構建技術領域的產品、材料、方法、功能、應用領域等各類技術實體關聯網絡和時序關聯網絡，以引導用戶交互式分析技術演化規律，挖掘領域核心技術成果，預測領域技術成熟度，并輔助用戶從微觀層面發現領域技術機會。
4.報告自動生成：結合NSTL用戶定性定量分析需求和多維可視化分析結果，智能生成技術領域演化分析與預測報告，并幫助用戶高效撰寫報告。
聚焦NSTL專利數據，構建適用于NSTL服務場景的專利技術演化分析與預測集成服務。
基于專題或領域科研知識圖譜生成圖譜式綜述服務場景的系統，目前底層數據包含機器學習、合成生物學兩大專題科研知識圖譜，支持領域知識全景圖、重要文獻推薦、文獻發展脈絡、熱點主題演化及專題知識研究側寫文檔下載等不同維度、多種功能的服務場景，滿足科研用戶快速了解專題文獻信息的需求。
該系統面向領域科研人員提供基于關鍵詞搜索的專題知識研究側寫服務，主要功能：
1. 領域知識全景圖
通過專題科研知識圖譜主題類揭示以查詢詞為核心的相關研究主題及內在聯系，反映用戶查詢專題研究的總體概況（厘清主題內重要知識節點的關系網狀圖），使其可以縱覽研究主題全貌，方便用戶快速了解專題知識模型中各個知識點的信息，同時可以實現遞進式導航。
2. 科技文獻側寫
主要依據是文獻的重要度打分，展示主題詞維度及時間維度上的重要文獻，以期為用戶提供最相關、最高質量的文獻。具體的：
● 重要文獻推薦列表。針對任一主題詞查詢頁面，提供依據文獻重要度排序的Top N（N=10/20/30）推薦論文，單擊即可跳轉至論文詳情頁查看元數據信息。
● 文獻發展脈絡圖。以可視化河流圖展示并融合了專題知識及文獻信息。以該主題詞相關所有文獻的出版時間跨度以橫軸，動態劃分為若干時間周期并展示各區間的重要文獻。同時可提供原文鏈接，實現文獻溯源或獲取。
3. 熱點主題演化
揭示較長時間段內領域專題的階段性發展重點及趨勢，可為科研主體進一步了解或確定研究方向提供支撐。綜述系統中的熱點主題分析主要是按時間周期統計文獻中標引的主題詞頻并排序展示，通常給出Top 5的主題詞。
4. 研究側寫文檔下載
提供研究側寫文檔一鍵生成及下載功能，文檔包括標題、摘要、章節（文獻數據源、專題知識結構、主題演化分析、重要文獻發展脈絡）、參考文獻等部分。
通過知識可視化、文獻重要度排序等方式使科研用戶快速了解專題知識及文獻信息。旨在提高科研用戶在合理時間內獲取相關研究專題知識的效率，或為科研新手提供快速閱覽入門陌生專題的途徑。
智能問答系統主要提供基于農作物病蟲害與水稻基因兩種圖譜的問答服務，其中農作物病蟲害知識圖譜的主要數據來源是《中國農作物病蟲害（第三版）》、農業專業知識服務系統文獻資源數據庫及《農業科學敘詞表》等，水稻基因知識圖譜的數據源主要包括國家水稻數據中心、funRiceGenes、水稻信息網、Planteome數據庫、AgroLD數據庫、RAP-DB/MSU數據庫、PubMed數據庫等。用戶可通過與系統的問答交互，了解關于農作物病蟲害、水稻基因等領域知識，系統目前可將答案以自然語言、鏈接、圖表等形式反饋給用戶，便于用戶理解。
面向自然語言的查詢服務場景：中英文自然語言問答。目前系統針對農作物病蟲害和水稻基因兩個領域，可分別使用中文和英文進行提問，并逐步支持常見的語言種類；多類型問答展示。智能問答系統在問答的展示上支持多種形式，有文本、子圖及統計圖表等多樣化的單問題展示風格，也有針對多跳、條件約束類和多輪對話的多問題展示風格。可針對用戶提問的特定問題，對問題進行拆分理解、模板匹配等預處理工作，獲得問題所屬分類，反饋給用戶不同格式的答案，使系統交互形式多樣化。
1. 快速準確：針對系統已有的農作物病蟲害和水稻基因領域，智能問答系統可在用戶提問后的短時間內給出準確且形式多樣的答案，并對答案做一定的補充說明，提高用戶體驗的滿意度。
2. 領域知識深入（可靠性）：其中農作物病蟲害圖譜的本體概念模型包含七個預定義類別：病害（Disease）、蟲害（Pest）、微生物（Microorganism）、農作物（Crop）、動物界（Animal）、國家（Nation）和地區（Region），標注實體共60990條；水稻基因知識圖譜構建的本體模型包含基因（Gene）、蛋白質（Protein）、生物型（Biotype）、通路（Pathway）等8個領域實體類，located_in、has_trait、has_biotype等12個對象屬性，生成1276895個三元組。在農作物病蟲害和水稻基因領域，系統已可回答大部分專業性問題，可為用戶提供更專業的領域知識。
3. 可擴展性：智能問答系統底層存儲有一定數量的先驗知識，而系統通過不斷升級和更新，也可擴展和深化底層知識庫及服務領域，并在已有的算法技術基礎上，應用更加智能及先進的問答技術。
代表作學術貢獻評價循證系統主要用于發現給定科學論文的同行評價證據，客觀反映論文被同行認可的程度以及學術貢獻價值，助推“代表作+機器循證+同行評議”新型學術評價模式。
1. 給定代表作，揭示突破/重大改進/原創/先進/應用/難度等同行評價證據
2. 分析施引文獻數據，提供同行評價中的正向評價/負向評價引用句
3. 循證評價分析，揭示被同行認可的學術貢獻點及其后續跟進證據鏈
4. 構建ESI基礎學科的循證論文庫，提供基礎學科論文同行評價論文檢索
5. 篩選被同行認可的個人代表作學術論文
1. 聚焦學術評價內容挖掘，解決質評中同行評價證據識別關鍵問題
2. 提供基礎學科ESI高質量論文的同行評價報告
3. 構建適用于NSTL應用場景的代表作學術貢獻循證服務
潛在突破性文獻識別平臺集成了要素計量、雙重認同等多種模式的識別模型，提供面向不同資源開放程度的潛在突破性研究文獻識別服務，幫助研究人員從海量文獻中快速發現領域內的潛在突破性文獻及其學術貢獻，支持科研用戶精準閱讀與循證。
1. 通過“單篇+批量”方式為用戶提供識別潛在突破性文獻的服務。用戶可自主上傳數據，根據數據類型選擇不同模式識別潛在突破性文獻。
2. 基于突破性特征詞識別潛在突破性文獻中“表征作者突破性發現”的貢獻句，支持用戶快速定位文獻的重大發現與成果。
面向多種文獻數據資源情況提供多種突破性識別模式，有助于用戶從海量文獻中快速發現領域內的潛在突破性論文及其學術貢獻，助力精準閱讀與循證。
結構化自動綜述工具能夠按照科技文獻的研究問題、研究方法、研究進展等角度綜合分析特定科技文獻集的要點與看點，揭示文獻集的研究脈絡與骨架，并以交互式的界面展示給讀者。
結構化自動綜合工具包含了英文醫學領域科技文獻的檢索、綜合結果的結構化骨架展示功能、文獻的要點與看點展示功能、結構化綜合結果溯源與循證功能等。
1. 綜合結果的結構化骨架揭示
在用戶檢索某醫學領域概念后，工具能夠在較短時間內（200篇文獻約1秒左右）實時返回自動綜合結果。自動綜合結果以樹形結構展開，樹形結果第一層揭示了檢索結果集包含了哪些具體研究問題，樹形結果第二層揭示了研究某科學問題采用了哪些具體研究方法，樹形結果第三層揭示了具體研究問題中各學者都用了哪些研究方法得到了哪些研究結論或產生了哪些研究進展。
2. 文獻的要點與看點展示
用戶點擊具體研究問題、方法或進展后，能夠在頁面右側展示該研究問題、方法或進展類簇中各文獻包含的要點與看點。要點與看點包括：文獻PMID、文獻標題、研究問題短語、高分研究問題句、研究方法短語、高分研究方法句、研究進展短語、高分研究結論句等內容。
3. 綜合結果溯源與循證
通過點擊文獻的PMID，能展示該文獻完整的文摘數據，并高亮展示研究問題短語、研究方法短語與研究結論短語出現的位置，用于綜合結果循證。
結構化自動綜述工具，能夠從文獻內各細粒度知識對象的角度，組織科技文獻集中的科技文獻內容。
面對大量科技文獻文本聚類問題，提出一種文本深度聚類特征融合框架，將ISCCL與GMLI算法深度聚類算法特征空間融合，為科技文獻數據集提供更加準確的類簇劃分。用戶可以根據提供的例子Excel文件，上傳想要聚類的文本，深度聚類引擎將返回深度聚類結果與每個類簇的聚類標簽。
深度聚類引擎包含科技文獻文本的深度聚類、聚類標簽生成、聚類結果展示、聚類結果下載等功能。待處理的文本可以為若干段摘要、若干個句子或者若干個短語。
深度聚類引擎相比傳統聚類方法，能夠深入理解科技文獻文本中的語義信息，挖掘文本中的局部語義特征，針對多類別、大體量的文本數據集更有優勢。同時我們也能夠自動生成各聚類簇的類簇標簽，輔助讀者了解類簇中的內容。
服務站
成員單位
友情鏈接
官方微信
安卓APP
? Copyright(C)2023 NSTL.All Rights Reserved 版權所有
