科研智能化背景下新型知識服務探索研究

［摘要］大數據、人工智能等技術正帶來知識服務的長遠變革，出現了科研智能化發展趨向并為知識服務的深化研究帶來機遇。對此進行探討能夠為今后開展新式知識服務形成思路與應用場景借鑒。立足于科技情報服務視角，論述科研智能化發展的環境和涵義，并闡明科研智能化知識服務模式的特征。借助培根歸納法，分析科研智能化知識服務的過程及場景，并提出科研智能化知識服務模式革新的方向。當科研發展邁向智能化，知識服務機構可以通過構建多來源、多專業聯通化知識結構，建立機器可讀、可計算化的信息呈現形式，構筑智能化場景助力科學研究，開發新型知識語言，打造數字化科研實驗室，并對科研數據進行全程化、可溯化整合，建立人智互聯的科研保障及協同機制等知識服務實踐，以適應科研智能化發展的趨勢。

［關鍵詞］科研智能化；知識服務；知識計算；知識推理

［中圖分類號］G252.6［文獻標志碼］A［文章編號］1005-6041（2024）02-0047-07

1引言

當前，在科研發展日趨復雜和體系化的情形下，大數據、科學數據挖掘技術、云計算與人工智能等數智技術的創新發展及應用，促使科研創新路徑中的信息搜集、數值分析、科學發現等一系列研究開始向智能化趨勢演進，并在數智協同創新、實驗方案規劃、科研假設獲得、假設自動檢驗等方面收到成效。人工智能可以融合機器智能和人的智慧，因此怎樣合理地組織、運用科研進程中獲得的科研信息，達到智能化知識發現的目標是科研模式轉型的關鍵。

2017年7月，國務院印發《新一代人工智能發展規劃》，提出應當著力提高知識加工、多源化搜集和可視化交互等重點技術，提高定義識別、實體探測、屬性判斷、知識演繹建模和關系發掘能力，達到知識不斷增值的目標［1］。2018年，中國科學院院士鄂維南提出AI for Science（即人工智能推進的科研發展）的觀念，目的是將人工智能技術深入應用于各領域的科研工作［2］?？梢钥闯?，科研智能化是全面汲取新興數智技術的高通量性、自積累性、自適應性等特征，以此提高科研效益并促進科研知識智能化新發現的過程。

2科研智能化發展的環境和內涵

2.1 科研智能化發展的環境

科研智能化的形成有其內在主觀性和客觀性，包括科研系統內在的困境和外界環境雙重影響。第一，科研情報服務角度下科研系統內生的困難。一是科研領域的學術信息大量涌現困擾著科技自身創新。例如，在基礎科學研究有關高通量“組學”的實驗領域中，科研人員往往難以領略領域全貌。如果依靠不全的科學信息提出假設，極易形成偏頗的科研推斷。二是在科研假設驗證階段，實驗方案策劃作為一項系統工程，需要協同各專業領域的科研團隊進行方案規劃，由此造成實驗結論的溯因分析過程缺少有效支撐。第二，科研發展外部環境的影響。將智能化技術與基礎科研領域的知識相融合是各國學界關注的重點。例如，2019年美國國家科學基金會（NSF）開啟“國家人工智能研究院”計劃，其中“推動分子聚合及制造的人工智能”和“推動物理知識發現的人工智能”

兩個項目的目的在于提高分子化學和物理學領域的科研智能化新發現［3］。可見，不管是內部還是外部環境影響，今后的科研模式不單是一般意義上的科學發現，更是對科研智能化模式的探究與實踐。

2.2 科研智能化的涵義

已有研究認為，科研智能化是對采納人工智能及其技術發明如自動化推薦系統、擬人式實驗機器人、仿真科學家等科研知識創新發現的統稱。本文所探討的科研智能化的涵義，是指由智能化技術導引、可自主產出及檢驗科研假設、自動開展知識創新的系統，統稱為“智能型科學家”。它們能夠介入科研整體流程，并通過協作或主導的方式開展建立科研假說、檢驗實驗結論、完成新知識發現等連續性的科研任務［4］。不同功能的智能型科學家按照智能化技術參與程度的差別，可分為分析型智能科學家與假設型智能科學家。前者主要從事科學信息分析和挖掘工作，后者則立足于科研信息分析結果，自動化形成科研構想，從事更多創造性研究工作。

3科研智能化知識服務模式的特征

3.1 AI技術深層應用于領域科研

當前，以機器視覺、自然語言理解和統計機器學習等為表征的AI技術已在信息智能分析和推送、實驗運作等科研活動中承接了一些重復性工作。AI技術在科研流程中的功能主要表現在對研究領域或研究規模的有效擴展上。AI技術和專業知識深層結合，可以促進計算機連續采集并分析專家智慧精髓，構成滲透于科研活動全流程的自動協助技術系統及工具體系。麥肯錫指出，在今后的科研發展中，會形成“人機并存、迭代優化”的研究環境，在運用智能化技術助力程式化思維及問題解決的同時，通過“人智合一”的模式處理復雜未知的問題并形成科研推斷［5］。

3.2 多形態資源組織和關聯發現成為研究重點

當前，在跨媒體研究中，從多模態信息源中展開知識提煉和關聯發現、挖掘科研驅動的實體及關系不只是由文本數據庫中界定和抽取，還涵蓋音、視頻等其他所涉信息源等各類廣泛的數據模態，旨在通過由通識到專業領域的實體及關系來呈現規則結構、專業知識和前后文語義，為語義關聯研究和認知推論準備可計算的知識框架。如今，國家科技圖書文獻中心、中國科學院文獻情報中心都把增強多模態科技大數據知識關聯能力與計算分析能力等知識服務能力作為主要戰略發展目標［6］，通過AI技術達成多媒體數據的語義融會，完成數據智能化的分析、加工、歸納和創新。

3.3 AI技術引領知識推斷

隨著科研智能化的發展以及強化學習和遷移學習等理論的發展，為創立更完備的自動化推導系統提供了條件。目前，在多模態知識推論研究中，怎樣建立以語義理解為基礎的多模態知識推演構架、怎樣創立更有效的科研機制來搜集多模態、高層次知識關聯等問題還有待更深入的研究。例如，美國在2019年開啟的“機器通用感知”（MCS）研究［7］意在探尋授予機器語義化推論能力的方式，以促使機器可以在物質世界和虛擬空間中實現語義化推理，使學者在研究過程中通過“人機交互”來開展研究。

3.4 可計算、可關聯化的知識展示能力

依托關聯數據和知識圖譜技術的發展，知識內容形成了可計算的關聯關系表示形式。處理科研文本知識的可視化技術可以深入地對文獻資源中潛藏性聯系進行推理性、可視化呈現，并把文獻資源中的科學主題、理論、方法、技術等信息連接起來，形成知識發掘式、層進式的可視化交互處理。在多模態智能化應用中，知識展示應當將與知識關聯的全部目標、事件、機構、情形等通過數據融合技術聯合進行展示，運用語義支持、智能分析等技術，形成完備的知識聚合。

4科研智能化知識服務的過程及場景分析

從知識服務的角度分析科研智能化的發展，應重點研究科研信息的動態運行過程，包括科研信息的自動化組織、數據計算、知識探索、新知識產生和檢驗的邏輯線路。

4.1 科研智能化的運行規律

培根歸納法是科研創新常用的研究方法。首先，搜聚對某一專業問題的研究成果并整合成知識庫；其次，通過分析知識庫產生某項科研假定；再次，通過周密的實驗方案運行來檢驗假定是否可行［8］。本文將科研智能化的運行過程分為需求建立層、“知識大腦”構建層、認知推理層、“AI+優化”評估層和執行驗證層（見圖1）。每層相應的功能如下：1）需求建立層——通過創建科研需求地圖，梳理用戶不同層次的需求，形成全方位、多形態的需求展示；2）“知識大腦”構建層——通過知識開發，智能化匯集并預加工科研數據；3）認知推理層——通過數據計算，開展智能化知識推理并產生科研預測；4）“AI+優化”評估層——通過科研假設評估，評判科研預測并自動生成優化的實驗預案；5）執行驗證層——通過智能化開展實驗，驗證實驗結果。

4.2 應用場景分析

上述科研智能化的運行過程可以相應地分為5個應用場景：情景感知導引的需求建立、知識加工導引的科研“知識大腦”構建、知識計算導引的科研假設推理、“AI+優化”導引的智能化評估、實驗方案智能化實施導引的科研假設驗證。

4.2.1 情景感知導引的需求建立。本層可分為場景狀況判別、情境信息整合、情境數據庫形成、需求自動化推測與需求多模創建等環節。首先，前端互動式AI機器人運用多維交互的方法，對科研用戶的基本狀況、研究方向、科研行為信息等展開全面收集和描繪，梳理學者已有研究成果和科研分布關系；其次，場景分析類AI機器人綜合分析以上數據，并根據學術前沿、發展態勢、合作網絡等內容，針對多專業、多領域學者群創建場景數據庫并據此形成用戶需要的自動化描述和推斷；再次，需求分析類AI機器人通過需求智能代理，對學者各種類型的需要進行梳理、序化，完成多角度、多形式需要的精確描摹并創設需求地圖。目前出現的數字化展陳交互技術可以把人的感覺轉化為認知，該類技術如手勢識別、虛擬現實或數據敘事等多媒體互動技術，能夠直接應用于學者科研情境，促進科學信息搜索及提取、學科專家推薦、知識交流及用戶畫像構建、專業知識問答等應用［9］。

4.2.2 知識加工導引的科研“知識大腦”構建。當學者研究某項科研課題時，匯聚、序化相關的專業科研信息并整合成“知識大腦”知識，為后期假設推斷做鋪墊。該“知識大腦”構架的過程可分為兩個步驟：1）對多來源、多專業的學科知識進行深度檢索與開發。即運用持續發展、升級的AI引擎技術，智能化收集、描述、分析、關聯、交互和融合科學數據，并吸納多來源科研信息，以突破科研假定的認識局限。智能化科研搜索引擎在學術范圍的擴展及促進科研信息互聯、辨析、考證等各個方向都有所突破。憑借AI科研搜索引擎技術，可以精確、全面地收集文獻數據、專業數據、實驗數據等關聯性數據，在獲得這些數據信息后，學者可進一步開展數據互聯、數據整合等工作，由此形成一體化數據驅動的科研知識加工。例如，2020年在生命科學領域出現的知識檢索項目“Evidence Miner”，能從背景知識語料庫中提取語句級別的文本證據，并提供分析結果在原文中的可視化圖，以促進科研數據的鑒識和論證。2）細致化知識加工。在聚合有關專業數據后對其進行整合，并表示為機器可讀結構化、可執行或可計算的數據是后期知識創新的重點。知識表達可以延伸出兩類新型加工模式：一是細度化數據呈現方式，主要是以知識元為單位參與機器學習算法、以專項課題為中心不斷提取更為精準的元素，以獲得機器可讀的數值化形式，主要以詞向量、分子向量為代表［10］。對此，知識元中容納的機器可讀語義化數據可以應用Word2Vec、Bert等AI算法獲取。二是側重推斷的知識服務模式可以憑借信息提取技術把非結構化數據演變為構架、模塊應用于推演算法中，自動產生一體化科研假定集成［11］。聯系以上兩個步驟，得到知識大腦實現路徑圖（見圖2）。

4.2.3 知識計算導引的科研假設認知推理。科研智能化背景下，智能型科學家的知識計算流程具備突出的學術匯聚性、高度的科學前端性、顯著的專業融合性等特征。智能型科學家在知識計算過程中，注重數據、算法與算力多元一體，特別注意前沿信息的整合聯系及深層發掘，這對于以科研新發現為中心的信息融會、時空建模、程序組合等層面的進度優化提出了新的需求。知識計算借助AI算法實現深層次的知識開發與新知識探求，并智能化產生、評價科研假定，對應認知推理層和評估假設層?？蒲屑僭O智能化產生和評判的概念流實質為貫通各類空間的數據流。智能型科學家運用需求語義闡釋技術把基礎性需要模型轉換為高層次的語義敘述。憑借智能機器的信息甄選和整合技術、科學信息提煉技術、自動升級智能學習技術等對各類數據資源池展開數據流通及信息整合。據此，科研團體以數據空間為起點，依次通過數據計算空間、推演假定空間、評定空間后獲取初步科研學說。其中，智能機器人運用高通量算力的“AI+算力”組合的自動化計算，結合鏈接預測等傳統算法以及多變量優化算法等，并依據聚合式學科資源庫，運用搜索引擎、知識發現軟件平臺等工具，經由對前一步驟獲得的機器可讀化數據展開分析、完成知識的自動化計算，以獲取科研假定，由此形成某專業科研課題的推理假設空間。

4.2.4 “AI+優化”導引的智能化評估。在科研假設自動化形成后，即進入“AI+優化”的智能化評價階段。在該評價階段，運用優化算法和機器人智能化及現實評估反饋多重技術，自動開展實驗要素、條件的匹配測評，進行資源評估和特性評估。并根據這些要素、條件更深一步選取更合理的計算步驟、檢驗方案等科研選項，并自動形成及推出依照最科學路徑產生的實驗計劃［12］。

4.2.5 實驗方案智能化實施導引的科研假設驗證。在獲得較為完善的實驗方案后，利用智能化技術及設施能夠自主運行實驗方案以檢驗知識計算空間中的科研假說。學科團隊、科研用戶和機器人實驗室采用人機聯合模式（包括自動化適應、場景模擬等），并借助TCP、5G、數字孿生技術等將預期實驗過程轉換為AI機器人可操作的虛擬實驗方案，即執行層將實驗方案釋義為可運行的指令發送至虛擬實驗室，通過語言文本、虛擬現實控制運行。這樣，經由機器人手臂在實驗設備上操作并使用傳感器等硬件設備和智能物聯網等軟件技術智能化收集科研數據并形成報告，以使科研流程可溯源的同時還可以重復應用于科研新發現［13］。為了達到實際科研實驗和虛擬科研實驗無縫融通的目的，應當對資源、空間和服務實行一體化整合和智能化管理。在將知識計算空間納入科學創新全程化的同時，對專業信息資源、多源化知識資源、智能化科研實驗空間等開展有效聯接［14］。

5科研智能化知識服務實施的措施

經過對科研智能化知識服務過程和場景的分析，提出如下智能化知識服務的關鍵措施。

5.1 多來源、多專業聯通化知識結構是智能化科研的根本

科研智能化環境下，智能“知識大腦”的構成狀態是專業學科信息互相交織。把篩選、整合獲得的專業科研信息加工為相互關聯、相互作用的知識產品是智能化科研的根本。可以從科研信息的數據化和組織表達兩方面，制訂智能化科研信息呈現的整體結構。

科研信息數據化過程中有各種粒度，由科學元數據到知識內容結構，都對應著相應的信息組織形式，適用于各類科研服務場景。通常來說，數據化的角度越廣泛周全、粒度越細化、相關度越密切，以此為基礎開展科研信息的整合應用及服務就越靈活［15］。此框架達到了從針對機器、最初的科研信息元到粒度化科研知識，再到面向學者的支持智能化科研知識服務的完整閉環（見圖3）。

圖3科研資源數據化及組織呈現框架

為了完成此閉環需要完善科研信息發現和獲取服務的效果，積極開拓泛在發掘獲取服務，現將科研數據智能化服務總結如下：1）開展各種資源類別的多條件自動匹配序化服務，全面衡量資源質量（包括被引頻次、是否為創新性文獻等）、時效性、相關度、人的信息行為數據等的查詢、計算結果的順序，優先反饋關聯度高且質量達標的資源；2）通過識別抽取技術，開展關鍵詞自動化推送服務，達成以領域詞表多語種與關聯語義關系詞語為基礎的智能化拓展搜索，并通過詞嵌入向量練習模型建立關鍵詞動態篩選列表，還可以建立相應的科學詞匯、短語、術語、文獻元數據等詞表；3）通過語義組織技術開展全文獲取優先推薦服務，對全文內容及鏈接展開數據交融及檢驗，創建以DOI分析為基礎的全文發現模型，并形成文獻數據模型和科學知識圖譜；4）經由分析推理技術完成科研呈現應用服務，包括在匯聚結果集成中形成對研究方向與態勢、研究重點預測等的可視化分析；問答式學科資源查詢服務，以形成對問題多元化提問形式的自然語言資源搜索，適應覆蓋主題詞、出版機構、期刊影響因子等和文獻密切關聯的自然語言需要，并能辨別和獲得用戶的查詢目標并反饋有關資源［16］；學術社交的構建及學者畫像描繪；智能編校及輔助寫作等。最后，通過展陳交互技術實現智能化科研知識服務的完整閉環。

5.2 創建機器可讀、可計算的信息呈現形式

科研全程化涉及的科學資源既包括各研究時段的第一手數據、衍生數據及成果數據集合，也兼有各個科研階段即時感知、能動化捕捉、依序增加的各種異構數據集。為此，引入AI機器人的科研團體應提高信息資源標準化加工的程度，以強化AI機器人對于信息數據化的可讀化表達［17］。今后對數據可讀化加工的措施如下：1）運用多因子智能化分類算法和根源于領域詞表的語義實體提取方式，擴展機器可讀數值化資源的范圍。運用智能化信息提煉、多語言媒體可擴展理解［18］等技術，以多源化科研信息數據聚合、知識本體建立、專業術語對接、知識推論與評價等環節為中心，創建針對各個專業學科方向的科研信息結構化知識庫；2）開發新式語料，通過在科研文獻資源中推廣應用基于多類型、多形態信息資源的預訓練語言模型，促使科研文獻資源轉換為可運行文件。同時，整合文獻數據資源解析平臺，儲存計算獲得的科研結論知識，供有關研究組織選用。

5.3 構筑智能化場景助力科研知識服務

在科研智能化流程中，“AI+算力”的知識計算是重要環節。科研知識服務機構不僅應注重為學者提供科研知識細節化敘述，還需要整合科學數據資源向科研人員推送高質量的科學預測集合。具備分析推理的研嵌入式場景如下：1）以表征、標注完備的科學文獻資源和數據集合為基礎，智能化計算形成科研假說，為學者辯證提出新的觀點。2）科學資源自動化概括服務，即運用結構化的形式達成科學文獻資源的自動化概述，如通過運用Bert預訓練語言模型和深度嵌入式聚類分析法（Deep Embedded Clustering，DEC）研究多源化科研資源中各類主題中的研究焦點、研究手段等的分布狀況與層級關系，并從研究要旨、疑難問題、研究手段和研究論斷等方面生成結構化科學概述［19］。3）創造性研究智能化判別服務。創造性研究指革新化研究、具備重要發現或創新性質的遞進化研究。針對對科研發展有促進作用的文獻資源，可以根據統計數據和語義生成特征詞表，聯系文獻資源的語言學特征、文獻計量學方法和深度學習算法創建基于創造性科研文獻的智能分辨模型。

5.4 研創新型知識語言

科研智能化環境下，實驗運行應當實現現實實驗室和智能實驗室兩者間的無縫連接。為此，需要人們積極研發新型學術語言和運行程序，串聯知識內容（如文獻資源）和可操作平臺（如智能化實驗室），提高科研知識新發現的效能。其主要措施為發掘新式學術語言，促使知識內容產品不只是物理傳達信息的載體，更是與科研用戶共同探索、剖析和創新的平臺。

例如，英國格拉斯哥大學Leroy Cronin團隊研發的通過自然語言處理機制為AI化學家設立指令集的語言工具“SynthReader”，它可以驅動AI化學家自動讀取文獻，辨別其中概括有機與無機化學合成程序的部分，形成自動實驗流程，并將產生的化學代碼通過硬件管理模塊轉換成指令運行實驗任務［20］。

5.5 對科研數據進行全程化、可溯化整合

在科研智能化環境下，全方位匯集科學信息是科研創新的重點。因而，需要有效達成“小科學”研究實驗數據的儲存、加工和管理，以確保信息形式的轉換可用。具體措施如下：1）在科研數據組織方面，建立具備可聯接科研數據的資源敘述與語義加工功能的范式，以聯合型數據訪問平臺化的形式對數據進行組織管理。2）在科研知識發現服務方面，可采用智能化問答的形式。可分為兩種類型：一是源自參考咨詢知識庫的問答服務。這種方式可聯合人工神經網絡創設問題類別模型，并通過NSTL FAQ問答語料庫形成常見問題智能化問答模型；二是源于領域知識圖譜的自動化問答服務，可以形成關于實體、聯系、性質的智能問答，支持實體—性質類、統計類、條件限定類等各種形式的問答，并利用多元化知識提取及交互方式建立圖譜，使專業學科知識、科研信息資源的形式及內容特征之間都形成聯系，達成語義知識關聯互現［21］；3）在科研信息加工的核心技術方面，在對科研數據進行選擇、獲取、標記、關聯、整合和公布的整個過程中，應對文本提取技術、本體構建技術與關聯數據的建立和發布等技術進行深入研究。

5.6 建立人智互聯的科研保障及協同機制

人智協同融合的觀念展示出AI機器人同專家學者、學科服務團隊等多元主體通過一系列有序交互的協同活動實現科學新發現目標的過程。一方面，以科研人員為主體的人的智能和AI機器人為主體的數字化智能相互貫通，對知識計算的準確性、可機讀性展開即時操作及調整，由此擴展了人智協同知識發現的增長點；另一方面，使AI機器人參與到整體科研活動過程中，可以從感觸、認知和運行來推進科研智能化服務的專深化。“學科服務人員—AI機器人—學者用戶”三元耦合關系中內含著人智交互的決策沖突及競爭，為此應當構建起場景創設、任務分配、功能區分等保障協調機制，這對數智化科研服務的深化發展至關重要。

6結語

科研智能化是智能化技術和科研協作發展的必然結果。當前，它已在科研環境構建、科研假設產出、實驗協助分析、數智協調發展等領域取得有效成果。AI技術可以打破科研推理構想的思維限制。為了適應科研智能化發展的趨勢，知識服務機構應當將信息技術、智能工具同專業學科知識深度融會，著力發展科研信息知識化整合的水平，在多模態信息交互、多源化內容融通、知識推理、語言分析等各項重點技術上進行深入研究。面向重點專業開展智能化科學研究，達到對科研過程進行精確刻畫及重構的目標。在智能化科研環境建設方面，應注重多模態人機交互、跨媒體信息查詢、多源化知識組織加工、自動化問答等技術的提高，以有效推動智能化科研協作平臺構建，實現科研主體和科研環境的有效協同。

［參考文獻］

［1］國務院關于印發新一代人工智能發展規劃的通知［EB/OL］.［2024-04-09］.https：∥www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

［2］劉垠.AI撬動科研范式變革［N］.科技日報，2023-03-28（1）.

［3］孫蒙鴿，韓濤.科研智能化與知識服務：內涵、實現與機遇［J］.情報理論與實踐，2021，44（10）：41-49.

［4］羅威，羅準辰，雷帥，等.智能科學家：科技信息創新引領的下一代科研范式［J］.情報理論與實踐，2020，43（1）：1-5，17.

［5］賈偉，劉潤生.麥肯錫：影響未來的顛覆性技術［J］.科學中國人，2013（9）：19-22.

［6］彭以祺.國家科技文獻保障工作的形勢與NSTL“十四五”規劃［J］.數字圖書館論壇，2021（5）：2-7.

［7］DARPA.Machine-Common-Sense［EB/OL］.［2024-04-09］.https：∥arxiv.org/pdf/2006.08409v1.pdf.

［8］阮光冊，夏磊，周萌葳.跨媒體智能視角下的知識服務探析［J］.情報理論與實踐，2021，44（7）：79-85.

［9］HONG L X，LIN J J，LI S Y，et al.A Novel Machine Learning Framework for Automated Biomedical Relation Extraction from Large-Scale Literature Repositories［J］.Nature Machine Intelligence，2020，2（6）：347-355.

［10］MANICA M，MATHIS R，CADOW J，et al.Context-Specific Interaction Networks from Vector Representation of Words［J］.Nature Machine Intelligence，2019，1（4）：181-190.

［11］SARMAH S，SHEKHAR.Artificial Intelligence in Automation［J］.Artificial Intelligence，2019，3085（6）：14-17.

［12］孫坦，劉崢，崔運鵬，等.融合知識組織與認知計算的新一代開放知識服務架構探析［J］.中國圖書館學報，2019，45（3）：38-48.

［13］李立睿，張嘉程，張博睿.科研智能化視域下融合智能機器人的知識服務研究［J］.圖書與情報，2023（2）：61-68.

［14］王曉云，楊子煜.基于知識計算的精準服務研究［J］.情報理論與實踐，2019，42（6）：62-64，41.

［15］徐雷，秦翠玉，李嬌.科技文獻數據化及組織呈現路徑研究［J］.中國圖書館學報，2022，48（3）：25-42.

［16］黃永文，孫坦，趙瑞雪，等.大數據與人工智能背景下新型知識服務研究與實踐［J］.圖書情報工作，2022，66（19）：36-46.

［17］李立睿，鄧仲華.“互聯網+”背景下科研用戶的小數據融合研究［J］.圖書情報工作，2016，60（6）：58-63.

［18］Summa［EB/OL］.［2024-04-09］.https：∥muse.jhu.edu/book/24903.

［19］張智雄，劉歡，于改紅.構建基于科技文獻知識的人工智能引擎［J］.農業圖書情報學報，2021，33（1）：17-31.

［20］MRHR S H M，CRAVEN M，LEONOV A，et al.A Universal System for Digitization and Automatic Execution of the Chemical Synthesis Literature［J］.SCIENCE，2020，370（6512）：101-108.

［21］曹雨晴，鮮國建，黃永文，等.全景式多路徑知識圖譜構建研究：以水稻粒型基因領域為例［J］.數字圖書館論壇，2022（4）：25-34.