[发明专利]一种基于模板生成的化学反应抽取器和抽取方法

权利要求书

1.一种基于模板生成的化学反应抽取器，其特征在于，包括：

预处理模块，用于获取csv文件，并用于对csv文件的摘要和标题进行合并后切分形成句子，并生成句子集合；

数据提取模块，用于根据预设的反应模板对句子集合中的每一个句子进行抽取，获得每一个句子的化学实体和反应，化学实体包括反应物和反应产物；

数据过滤模块，用于根据预设的过滤模型，结合化学实体和反应对句子进行过滤；

数据分类模块，用于对过滤后的句子的反应进行分类。

2.一种基于模板生成的化学反应抽取方法，其特征在于，包括：

S1、对csv文件中的摘要和标题进行合并后切分，获得作为抽取程序输入对象的句子集合；

S2、将获取的句子集合队列化，并获得反应模板；

S3、将队列化的句子集合和反应模板加载到抽取程序中，抽取程序通过反应模板对句子集合进行抽取，获得每一个句子的化学实体和反应，化学实体包括反应物和反应产物；

S4、对抽取的化学实体和反应进行过滤，筛选反应；

S5、根据分类器对筛选出的反应进行分类。

3.如权利要求2所述的基于模板生成的化学反应抽取方法，其特征在于，步骤S1具体为：首先获取文献摘要作为生语料，对生语料进行过滤，获得仅包含用于描绘文章所述反应的关键信息的文本集合，关键信息包括标题和摘要；然后对文本集合中的摘要和标题进行合并形成语义上的句子整体，再使用句子切分工具对句子整体进行切分，获得单独的句子作为抽取程序输入对象的句子集合。

4.如权利要求3所述的基于模板生成的化学反应抽取方法，其特征在于，步骤S1中，所有的句子合并和句子切分均在多线程并行状态下处理。

5.如权利要求3所述的基于模板生成的化学反应抽取方法，其特征在于，步骤S1中，还包括对应每一篇文献附加标识码，文献对应的句子集合以及带抽取的预测集合通过标识码进行关联。

6.如权利要求2所述的基于模板生成的化学反应抽取方法，其特征在于，步骤S2中获得反应模板的具体方法包括：

S21、选择模板；

S22、获得文本样本和外部化合物数据库；

S23、通过化合物实体识别工具(NER)识别文本样本中的化合物；

S24、结合外部化合物数据库对文本样本的识别结果进行匹配查找，并根据匹配结果对文本样本标记化合物和反应；

S25、根据文本样本以及对应的标记结果对模板进行训练，获得反应模板。

7.如权利要求6所述的基于模板生成的化学反应抽取方法，其特征在于，步骤S21中，选择的模板为top-down，或者bottom-up。

8.如权利要求2所述的基于模板生成的化学反应抽取方法，其特征在于，步骤S4具体为：首先根据抽取结果，删除不包含化学反应的句子，并删除包含的化学实体数量少于1的句子；根据查询词典查询剩余的句子中的关键词，并记录每一个关键词的PMID索引号；利用PMID索引判断句子所属的文章是否涉及化学药品，删除不涉及化学药品的句子，完成最终文本过滤。

9.如权利要求8所述的基于模板生成的化学反应抽取方法，其特征在于，查询词典的获取方式为：从Mesh医学主题词表中摘录与化学反应相关的子类关键词保存为查询字典。

10.如权利要求2所述的基于模板生成的化学反应抽取方法，其特征在于，步骤S5中，筛选出的反应为步骤S4中最终筛选出的句子中存在的反应。