Kaggle大奖斩获其6：用于筛选和分析文献的paperai

近日，一项用于筛选和分析文献的AI工具paperai，冲上了Reddit热榜。原因是：他在CORD-19（COVID-19文献数据集） Kaggle挑战赛中斩获了6项大奖。

主办方准备了一个庞大的文献数据库，包含了20多万篇学术论文，其中有10万余篇是与COVID-19相关的研究。该比赛希望全世界AI专家使用文本挖掘工具，来完成比赛中的各类任务。最后，帮助研究人员能从浩如烟海的文献进行高效检索，为推进COVID-19的研究提供帮助。就是在这样一项比赛中，这个paperai，获得了8项任务大奖中的6项：对于一项工具，在多项任务的普适，这毫无疑问是巨大的成功。那么，这么强势的一项工具，其背后，又是如何运行工作的呢？

简单来说，该模型就是句嵌入索引和带有文章的SQLite数据库的组合。首先，每篇文章都被解析成句子，并与文章元数据一起存储在SQLite中。SQLite本身就具有虚拟表模块FTS5，可以进行全文搜索。这个全文搜索引擎，允许用户在大量文档集合中高效地搜索包含一个或多个搜索词。SQLite的FTS5默认加权方案是tf-idf，此外，它还支持BM25，这使得性能够进一步提高。之后，使用FastText+BM25创建句嵌入索引。BM25是一个词袋检索功能，它根据每个文档中出现的查询词对一组文档进行排序。

最后，开发者选择使用FastText为每个标记检索单词嵌入。为了构建句子嵌入，嵌入可以被平均在一起以创建单个嵌入向量。于是，在各种Buff的加持下，我们能够看到的是：在整个语料库上，预先训练得到了FastText向量，加上了BM25辅助建立索引并排列。最后，得到带有句嵌入索引的文章，帮助检索产生最相关的结果。

最后，检索出来句子，会通过过TextRank算法进行分析和运行，以便在最终的报告中，以高亮的形式框出。

以上图为例，在目标进行检索后，系统会输出文献的基本信息，如日期、研究方向、期刊等。

之后，会在对你所检索的问题进行句子提取和所在文献的排序，最终在文献中，所在句子会以高亮的形式框出。

文章部分素材源自：量子位