本发明涉及人工智能技术领域，具体为一种基于文本的自动识别文献研究的方法。
背景技术：
科学论文是由作者通过书面撰写，总结提炼研究工作的展现形式，科学论文一般包括不同的研究元素，如研究背景、研究对象、研究过程、研究方法、研究结论等，其中研究对象是指论文主要研究目标的核心主体，能高效清晰定位出对应文章的关注面，包括客观事物、理论、事件、过程、关系等属性实例，研究对象的提取能够将论文的主要研究目标以直观的形式展现出来，有助于研究者快速掌握这一对象的相关信息，方便的检索和对比相关研究内容，已有的处理方法有很多，其中有基于规则的方法，此方法取得了一定的效果，但由于自然语言句式的多样性，导致该方法并不能覆盖研究对象提取中的所有规则，遗漏太多，且不能实时更新，灵活性差，而采用统计学习方法的提取过程常常引入不确定因素，导入查全率高而准确率低，因而，单纯的规则或者统计的实用性都很有限。
技术实现要素：
本发明的目的在于提供一种基于文本的自动识别文献研究的方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于文本的自动识别文献研究的方法，包括首先基于crf模型对已经标注少量的数据建模，然后对未标注数据进行预测，再从大部分标注集合中挑选尽量少的部分数据进行人工标注，接着将标注后的结果在加入到原有语料中重新建模，适当迭代该过程得到最终模块，而此模型即可用于对科技文献的研究对象进行抽取，具 体为以下步骤：
步骤一：获取科技文献标题，并做初次标注
获取大量的科技文献的标题集合s，提取出少量科技文献的标题s1(s1的总量大于2000)并由人工在这些标题上做标注，标出对应的标题中提及的研究对象，标出后数据记为sd1，提取出少量科技文献的标题s2(s2的总量大于4000)并由人工在这些标题上做标注，标出对应的标题中提及的研究对象，标出后数据记为sd2，s中去除s1数据和s2数据后，剩下的部分记为s3；
步骤二：对数据进行标准化处理
由于科技文献本身涉及的对象复杂，研究对象中存在英文字母数字符号等，需要对句子进行预处理去掉这些东西，此处即根据正则表达式对原始文本进行标准化清洗，此步骤对s涉及的所有标题都进行标准化，而sd1标准化后记为sp1，sd2标准化后记为sp2，s3标准化后记为sp3；
步骤三：模型特征化提取
对数据sp1、sp2和sp3进行特征化，提取为可供模型直接使用的样本输入，对应的特征化后，sp1的特征化提取结果记为fa,sp2的特征化提取结果记为fb,sp3的特征化提取结果记为fc；
步骤四：训练数据
对数据fa用crf模型在标注后的数据进行训练，得到训练好的模型m0，运用模型m0对数据fb进行准确率测试，得到模型准确率p0；
步骤五：提取部分未标注数据，并进行标记
运用模型m0对数据fc进行自动标注，各样本的各个字符对应有被分为不同类别标签的概率值，记e＝标签的概率最大值-次大值
步骤六：对模型准确率评估
将fd0加入fa中得到fa1，在fa1上重新建模，得到模型m1，并再次fb中进行准确率测试，准确率为p1；
步骤七：判断r值是否最优
观察两次准确率之差值δp＝p1-p0，δp>0则该e区间数据否对模型有效，为了节省人工标注成本，须尽可能的减少人工标注的成本，即筛选出进行人工标注的数据量n应尽可能的少，引入如下判别公式：r＝argmaxe(△p/n),其中，e＝标签的概率最大值-次大值，△p＝p2-p1＝f(e)表示前后两次模型准
确率的差值，n＝g(e)为添加的人工标记的数据的数量；
步骤八：分析数据量增加方法
重复步骤五、步骤六和步骤七过程；
步骤九：迭代标引，生成最终模型
(1)将当前所有已标好结果的数据作为训练数据，生成训练模型，(2)用当前的训练模型对不带标号的数据进行预测，(3)从中选出判定结果符合ebest值的数据，随机抽取少量让人工标注，(4)将此时增加的人工标注后的数据加入已有的标注中，(5)重复此(1)到(4)的迭代过程，人为设定迭代次数，将最终得到的所有标注后的数据作为训练数据，生成最终训练模型，此模型即可用以对未知数据进行标注，对一篇新的科技文献，先获取此文献的标题，并将此标题做标准化，提取特征后置入最终模型中，即可得到对应输出，即可评判得到此文献的研究对象。
优选的，在步骤五中，不断调整
与现有技术相比，本发明的有益效果是：该本发明基于将文章碎片化为背景、目的、研究对象、研究内容、研究方法和研究结论等元数据，在机器学习模型中优化的引入人工评定，可有效提高学习模型的改进效果的同时，能够尽量节省人工标注的成本，而最终得到的模型可直接用于实际工程实践，结合人的分析智能和统计学习的计算能力，在最小人工的劳动量的补充要求下，产生的模型可有效的提高研究对象的标引能力，最终模型可直接用以对未知数据进行预测，实用性强，方法简单。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不限于此。
实施例
一种基于文本的自动识别文献研究对象的方法，包括首先基于crf模型对已经标注少量的数据建模，然后对未标注数据进行预测，再从大部分标注集合中挑选尽量少的部分数据进行人工标注，接着将标注后的结果在加入到原有语料中重新建模，适当迭代该过程得到最终模块，而此模型即可用于对科技文献的研究对象进行抽取，具体为以下步骤：
步骤一：获取科技文献标题，并做初次标注
获取大量的科技文献的标题集合s，提取出少量科技文献的标题s1(s1的总量大于2000)并由人工在这些标题上做标注，标出对应的标题中提及的研究对象，标出后数据记为sd1，提取出少量科技文献的标题s2(s2的总量大于4000)并由人工在这些标题上做标注，标出对应的标题中提及的研究对 象，标出后数据记为sd2，s中去除s1数据和s2数据后，剩下的部分记为s3；
步骤二：对数据进行标准化处理
由于科技文献本身涉及的对象复杂，研究对象中存在英文字母数字符号等，需要对句子进行预处理去掉这些东西，此处即根据正则表达式对原始文本进行标准化清洗，此步骤对s涉及的所有标题都进行标准化，而sd1标准化后记为sp1，sd2标准化后记为sp2，s3标准化后记为sp3；
步骤三：模型特征化提取
对数据sp1、sp2和sp3进行特征化，提取为可供模型直接使用的样本输入，对应的特征化后，sp1的特征化提取结果记为fa,sp2的特征化提取结果记为fb,sp3的特征化提取结果记为fc；
步骤四：训练数据
对数据fa用crf模型在标注后的数据进行训练，得到训练好的模型m0，运用模型m0对数据fb进行准确率测试，得到模型准确率p0；
步骤五：提取部分未标注数据，并进行标记
运用模型m0对数据fc进行自动标注，各样本的各个字符对应有被分为不同类别标签的概率值，记e＝标签的概率最大值-次大值
步骤六：对模型准确率评估
将fd0加入fa中得到fa1，在fa1上重新建模，得到模型m1，并再次fb中进行准确率测试，准确率为p1；
步骤七：判断r值是否最优
观察两次准确率之差值δp＝p1-p0，δp>0则该e区间数据否对模型有效，为了节省人工标注成本，须尽可能的减少人工标注的成本，即筛选出进行人工标注的数据量n应尽可能的少，引入如下判别公式：r＝argmaxe(△p/n),其中，e＝标签的概率最大值-次大值，△p＝p2-p1＝f(e)表示前后两次模型准
确率的差值，n＝g(e)为添加的人工标记的数据的数量；
步骤八：分析数据量增加方法
重复步骤五、步骤六和步骤七过程；
步骤九：迭代标引，生成最终模型
(1)将当前所有已标好结果的数据作为训练数据，生成训练模型，(2)用当前的训练模型对不带标号的数据进行预测，(3)从中选出判定结果符合ebest值的数据，随机抽取少量让人工标注，(4)将此时增加的人工标注后的数据加入已有的标注中，(5)重复此(1)到(4)的迭代过程，人为设定迭代次数，将最终得到的所有标注后的数据作为训练数据，生成最终训练模型，此模型即可用以对未知数据进行标注，对一篇新的科技文献，先获取此文献的标题，并将此标题做标准化，提取特征后置入最终模型中，即可得到对应输出，即可评判得到此文献的研究对象，该本发明基于将文章碎片化为背景、目的、研究对象、研究内容、研究方法和研究结论等元数据，在机器学习模型中优化的引入人工评定，可有效提高学习模型的改进效果的同时，能够尽量节省人工标注的成本，而最终得到的模型可直接用于实际工程实践，结合 人的分析智能和统计学习的计算能力，在最小人工的劳动量的补充要求下，产生的模型可有效的提高研究对象的标引能力，最终模型可直接用以对未知数据进行预测，实用性强，方法简单。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。