H2-Golden-Retriever：面向循证氢能研究资助的方法学与工具
信息检索
2022-11-17 v1 人机交互
摘要
氢能在经济脱碳中必将发挥重要作用。亟需发现、开发并理解可帮助最大化电解成本效益的低成本、高性能、耐久材料，同时也需要一个智能工具以使基于证据的氢能研究资助决策相对更易开展，这促成了本研究。本工作中，我们开发了 H2 Golden Retriever（H2GR）系统，利用自然语言处理（NLP）、知识图谱与决策智能进行氢能知识发现与表示。该系统代表了一种封装了最先进技术的新型方法学，用于循证研究资助。我们从网络抓取并索引了相关氢能论文，并通过去除噪声与停用词、语言与拼写检查、词干提取与词形还原完成预处理。NLP 任务包括使用 Stanford 与 Spacy NER 的命名实体识别，以及使用隐狄利克雷分配（Latent Dirichlet Allocation）与 TF-IDF 的主题建模。知识图谱模块借助氢能生产领域本体，用于生成相关 H2 论文中有意义的实体及其关系、趋势与模式。决策智能组件为利益相关者提供成本与数量依赖的仿真环境。使用 PageRank 算法对关注论文排序。对提出的 H2GR 进行了随机检索，结果包含按相关度评分排序的论文列表、实体、实体间关系图、H2 生产本体以及展示组件交互的因果决策图。专家进行了定性评估，认为 H2GR 运行达到满意水平。
引用
@article{arxiv.2211.08614,
title = {H2-Golden-Retriever: Methodology and Tool for an Evidence-Based Hydrogen Research Grantsmanship},
author = {Paul Seurin and Olusola Olabanjo and Joseph Wiggins and Lorien Pratt and Loveneesh Rana and Rozhin Yasaei and Gregory Renard},
journal= {arXiv preprint arXiv:2211.08614},
year = {2022}
}
备注
25 pages