[发明专利]一种气溶胶文献格式化数据库的构建方法

说明书

本发明公开了一种气溶胶文献格式化数据库的构建方法，包括：(1)收集全球气溶胶文献数据，确定气溶胶文献数据的文献相关属性、文本统计信息属性、数据图具体数值属性；(2)提取每个气溶胶文献的文献相关属性，形成文献相关属性数据表；(3)对每个气溶胶文献进行PDF到TXT文本格式转换、文本预处理以及正则模板匹配，形成文本统计数据表；(4)对数据图进行数据点坐标信息提取，形成数据图具体数值数据表；(5)建立文献相关属性数据表、文本统计数据表以及数据图具体数值数据表之间的索引关系，将对应的文献相关属性、文本统计信息以及数据图具体数值进行存储，形成气溶胶文献格式化数据库。此方法还包括提供众包平台和知识服务。

技术领域

本发明属于数据库建设领域，具体涉及一种气溶胶文献格式化数据库的构建方法。

背景技术

在气溶胶领域，学者们数据的来源除实地测量外，还有一个重要的途径是海量的历史文献。对于这类数据，如果需要更加全面的获取，大多需要文献综述的帮助。但对于作者来说，需要阅读大量文献资料进行统计整理，而且每过几年就需要更新来保证此类文献的统计知识的实时性，工作量大且繁琐。对于读者来说，想要快速地获取此类统计知识还需要自行搜索综述文献并判断它们的权威性，获取的知识也受文献撰写者想要展示出的如地区、年份等的限制。

其他领域如临床医学、社会化政务等已经出现了对文献进行结构化分析的思想与应用。在临床医学领域，出现了系统综述和meta分析。系统综述有别于目前被普遍采用的叙述性综述，它集中于某一具体的问题，尽量全面无偏差地收集现在所有的发表与未发表的文献资料，根据事先拟定的标准进行分析和评价，并且作者会定期收集新的原始研究资料来及时更新和补充知识。而meta分析，则是在系统综述中采用适当的统计学方法来合并数据，以量化的平均效果得出综合性结论的过程，也称为定量系统综述。系统综述克服了叙述性综述的不完整性和非客观性的缺陷，但却是一项非常花时间和占资源的工作，通常一篇系统综述需要耗费一个团队一年甚至更长的时间，对团队信息检索、领域专业知识等要求很高，并且更新和补充的需求也使得系统综述所需投入的精力被无限扩大。

在社会化政务领域，有学者在2015年提出了一个结构化的文献分析框架，以此对现有的社会化政务国外研究文献进行了总结和分析，并且已取得了一定的进展，为社会化政务的研究提供了一定的依据和启示。他们所设定的框架内容主要包括文献内容所含的研究情境(研究主题、研究区域、分析单位)、研究方法(研究类型、研究方法、研究方法数目和数据来源)以及文章发表信息(发表年份、期刊)等，文献的分析工作由三人全人工阅读完成。由此可以看到，尽管在其他领域已有一些前期的研究，但在气溶胶领域少有涉及，并且为了搭建格式化数据库非常的耗时耗力。

发明内容

本发明的目的是提供一种气溶胶文献格式化数据库的构建方法，该构建方法能够收集分散在海量气溶胶历史文献中的数据，格式化存储建成电子数据库，并搭建网站提供可视化等附加服务，来吸引用户自发地通过众包平台扩充数据。

本发明的技术方案为：

一种气溶胶文献格式化数据库的构建方法，包括以下步骤：

(1)收集全球气溶胶文献数据，确定气溶胶文献数据的文献相关属性、文本统计信息属性、数据图具体数值属性；

(2)提取每个气溶胶文献的文献相关属性，形成文献相关属性数据表；

(3)对每个气溶胶文献进行PDF到TXT文本格式转换、文本预处理以及正则模板匹配，以实现文本统计信息的提取，形成文本统计数据表；

(4)对数据图进行数据点坐标信息提取，以提取数据图具体数值，形成数据图具体数值数据表；

(5)建立文献相关属性数据表、文本统计数据表以及数据图具体数值数据表之间的索引关系，将对应的文献相关属性、文本统计信息以及数据图具体数值进行存储，形成气溶胶文献格式化数据库。