本文发表于学术期刊 materials today communications 第26卷（2021年），文章编号为102032，已于2021年1月13日在线发表。该研究由Yingli Liu、Changhui Yao、Chen Niu、Wuliang Li、Jiancheng Yin和Tao Shen*为主要作者，其中Tao Shen为通讯作者。作者主要来自昆明理工大学信息工程与自动化学院和云南省计算机技术应用重点实验室，部分成员来自昆明理工大学材料科学与工程学院。此项研究聚焦于材料信息学与自然语言处理的交叉领域，旨在利用文本挖掘技术解决材料基因组计划中的数据瓶颈问题。

一、 研究的学术背景与目标

随着材料基因组计划的提出，数据驱动模型已成为现代材料研发的核心。然而，机器学习所需的海量、高质量材料数据难以通过现有的公开共享数据库便捷获取，这极大地制约了材料性能预测与新材料设计的发展。尽管已发表的大量材料科学文献蕴含着丰富的材料数据（如成分、工艺、性能），但由于缺乏成熟的自动化信息提取方法，这些“知识宝库”尚未被有效利用。

自然语言处理是文本挖掘的常用方法，而命名实体识别作为NLP的关键任务，能够从非结构化文本中自动识别并提取出具有特定意义的实体信息（如人名、地名、化学物质名等）。将NER技术应用于材料领域，即材料实体识别，可以高效地从文献中抽取材料成分、性能、制备方法等关键数据。然而，该领域存在一个根本性挑战：缺少公开的、高质量的、专门针对材料实体标注的语料库数据集，使得研究人员难以直接训练和验证适用于材料领域的NER模型。

因此，本研究设定了以下目标： 1. 构建特定材料领域的实体数据集：以“喷射沉积过共晶Al-Si合金”这一具体材料体系为例，构建一个经过人工精准标注、可用于MER研究的公共数据集——过共晶Al-Si合金实体数据集。 2. 开发低标注成本的高效MER方法：针对材料领域初始标注数据稀缺的现状，提出一种结合主动学习的MER方法框架，旨在利用尽可能少的人工标注，训练出高性能的实体识别模型，从而低成本、高效率地从文献中挖掘有效材料数据。 3. 验证方法有效性：通过具体实验，证明该方法能够显著提升模型识别精度与泛化能力，为MGI研究者快速获取材料数据提供一条有效的技术路径。

二、 详细研究流程与方法

本研究的工作流程环环相扣，分为数据准备与数据集构建、结合主动学习的材料实体识别两大核心阶段。

第一阶段：数据准备与HASE数据集构建 1. 文献收集与处理：研究人员手动检索并下载了大量与过共晶Al-Si合金相关的科学文献，并将材料制备方法限定为“喷射沉积”。最终筛选出89篇相关文献。由于文献多为PDF格式，研究者结合格式转换工具与人工调整，将所有文档转换为纯文本格式，以便后续处理。 2. 实体类别定义：在过共晶Al-Si合金领域专家的指导下，根据合金材料研究中通常关注的信息类型，将实体划分为五大类： * 材料：过共晶Al-Si合金的材料名称或牌号。 * 元素：材料中各组分的元素名称。 * 成分百分比：合金中各元素的组成百分比。 * 方法：文献中进行的实验与测试方法名称，如“喷射沉积”、“拉伸测试”。 * 性能：合金的主要物理与机械性能，如“硬度”、“热膨胀系数”。 3. 人工标注与数据集形成：使用专用的序列标注工具Yedda，采用BIO标注格式对文献中选定的段落进行精细的人工标注。BIO格式中，“B-实体类型”表示实体开始，“I-实体类型”表示实体内部，“O”表示非实体。经过此步骤，构建了初始的HASE数据集，共包含5635个句子，8845个手动标注的材料实体。

第二阶段：结合主动学习的材料实体识别 此阶段的核心是在初始标注数据有限的情况下，通过迭代过程逐步扩充训练数据，提升模型性能。其整体工作流程是一个“训练-评估-选择-标注-再训练”的循环。

1. 初始数据划分与扩展集准备：

   • 将手动标注的HASE数据集随机分为三部分：80%作为初始训练集，10%作为验证集，10%作为测试集。
   • 从互联网上自动抓取400篇与过共晶Al-Si合金相关的文献，并将其摘要作为扩展集。扩展集的句子不包含任何实体标签，用于后续主动学习过程中挑选样本来扩充训练数据。

2. 材料实体识别核心模型（BigRU-CRF）：

   • 词向量表示：针对材料文本句子长、语义复杂的特点，本研究没有使用通用的词向量模型，而是采用了在大量材料文本上预训练的GloVe模型来获取词级嵌入向量。这使得生成的词向量更富含材料领域的语义和语法信息，作为模型的基础输入。
   • 模型架构：研究选用BigRU-CRF作为核心的序列标注模型。双向门控循环单元网络能够有效捕捉文本的上下文双向语义依赖。而条件随机场层作为输出层，能够考虑标签之间的转移关系（如“I-材料”不能紧跟在“O”之后），从而对整个输出序列进行全局优化，修正BiGRU层可能产生的局部不合理标签预测。
   • 训练与评估：使用初始训练集训练BiGRU-CRF模型，在验证集上监控模型表现以防止过拟合。随后在测试集上进行测试，得到一个基准性能指标。若性能未达到预设的期望值，则启动主动学习循环。

3. 主动学习循环（数据扩充机制）： 这是本研究的创新与关键环节，旨在用最少的人工介入最大化地扩充高质量标注数据。

   • 样本选择策略：从扩展集中，不是随机挑选，而是基于句子相似度计算，筛选出100个与当前训练集语料相似度高（余弦相似度>0.5）的句子。此策略确保了选出的样本与任务领域高度相关，且遵循了主动学习中基于差异性的样本选择准则。
   • 自动化标注模块：将选出的100个句子送入一个由三种方法协同的自动标注模块。
     • 基于规则和字典的方法：主要用于标注格式相对固定的实体。例如，根据元素周期表构建元素字典来识别元素实体；设计复杂的正则表达式来匹配如“Al-20Si-3Cu-1Mg”这类具有特定模式的材料实体；构建性能词典来识别常见的性能实体。
     • 基于模型的方法：使用训练好的CRF模型和BiGRU-CRF模型对句子进行预测标注。
     • 投票与整合：对于“元素”、“材料”、“性能”这三类实体，采用上述三种方法进行投票，选择获得超过半数票的结果作为最终标注。对于“方法”和“成分百分比”这两类难以用规则概括的实体，则综合两个模型的预测结果进行标注。
   • 人工校验与数据加入：自动化标注结果并非直接使用。首先，系统会剔除不含任何实体的句子。然后，研究者会对剩余的自动标注结果进行人工检查和监督，确保标注的准确性。经过校验的正确标注句子及其标签，被加入到原有的训练集中，构成新的、规模更大的训练集。
   • 迭代优化：用扩充后的新训练集重新训练BiGRU-CRF模型，并在测试集上评估性能。如果仍未达到期望指标，且扩展集中还有未利用的句子，则重复上述“选择-自动标注-人工校验-再训练”的过程，直到模型性能达标或扩展集耗尽为止。

三、 主要研究结果

1. 成功构建并大幅扩充了HASE数据集：初始手动标注的HASE数据集包含8845个实体。通过结合主动学习的流程，经过自动化标注和人工校验，最终的有效数据集规模扩大至9251个句子，16677个实体。这证明了该方法能够低成本、高效地生成大量高质量标注数据。
2. 模型性能显著提升：研究通过对比实验验证了所提方法的有效性。
   • 基线模型：仅使用初始人工标注数据集（不含扩展数据）训练的BiGRU-CRF模型，其整体F1值为81%，召回率为75%。
   • 结合主动学习的模型：经过主动学习数据扩充后，最终模型的整体性能达到：精确率91%，召回率78%，F1值84%。所有主要评价指标均得到提升（见表8），其中整体F1值提高了3个百分点。
3. 各类实体识别效果的详细分析：
   • 元素、材料、性能实体：由于这些实体可以部分通过预定义的字典和规则进行高精度匹配，其识别效果提升显著（F1值提升2%-3%）。特别是基于规则的辅助，提升了识别的准确率。
   • 方法和成分百分比实体：这两类实体格式多变，无法依赖规则，主要依靠模型从上下文中学习。初始数据集中它们样本较少，导致基线模型对其召回率偏低。数据扩充后，虽然“B-方法”的召回率微降1%，但“I-方法”的召回率大幅提升了11%，且“成分百分比”实体的召回率提升了3%。这表明，通过主动学习引入更多样化的未标注样本进行训练，有效增强了模型对这两类“难识别”实体的泛化识别能力，解决了因样本少导致的“认不全”问题。

四、 研究结论与价值

本研究得出以下核心结论： 1. 方法论价值：提出的结合主动学习的材料实体识别方法，有效降低了专业领域内人工标注数据的成本，同时提升了模型对未知文本的实体识别能力（召回率达到78%）。这种“人机协同”的半自动化数据扩充范式，为解决材料信息学及其他垂直领域中小样本下的NLP任务提供了可行的技术方案。 2. 技术有效性：针对过共晶Al-Si合金文本的特性，综合运用基于规则、字典和模型的混合自动标注策略，使得最终的MER模型F1值达到84%，超过了预设目标，验证了该混合方法在材料实体识别任务中的有效性。 3. 领域应用价值：本研究构建的HASE数据集是材料领域首个公开的、针对特定合金体系的细粒度实体标注数据集，可为后续相关研究提供基准。所训练的模型能够自动从海量文献中精准提取材料成分、工艺、性能等结构化数据，为构建材料知识图谱、加速材料发现与设计提供了直接的数据支持，具有重要的理论意义与实际应用价值。

五、 研究的亮点

1. 问题导向的跨学科创新：精准切中材料基因组计划中“数据获取难”的核心痛点，创造性地将自然语言处理中的主动学习范式引入材料科学领域，实现了从“人工阅读”到“智能抽取”的范式转变。
2. “混合策略”的工程巧思：没有单纯依赖复杂的深度学习模型，而是因地制宜地结合了基于规则/字典的快速匹配与基于深度模型的上下文理解，并引入主动学习循环进行迭代优化。这种混合策略在保证精度的前提下，大幅提升了数据标注和模型训练的效率和实用性。
3. 构建首个专用细分领域数据集：研究工作不仅提出了方法，还输出了宝贵的成果——公开的过共晶Al-Si合金实体数据集，填补了该领域公共研究资源的空白，体现了研究的完整性与可复现性。
4. 详实的实验分析与验证：研究不仅给出了最终的整体性能，还对五类不同特点的实体进行了细致的分类结果分析与对比，清晰地揭示了方法对不同类型实体的作用机制与效果差异，论证严谨。

六、 其他有价值的内容

研究团队在文中也指出了该方法的可扩展性。他们强调，虽然本研究以过共晶Al-Si合金为例，但所提出的结合主动学习的MER方法框架具有普适性，可以推广应用于其他材料体系（如铜合金、钛合金、高分子材料等）的文献文本挖掘中。这为整个材料科学领域利用历史文献知识加速创新提供了通用的技术工具。