Skip to content

luckylykkk/nnscholar-search

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

9 Commits
nnscholar-search-main
nnscholar-search-main
 
 
.gitignore
.gitignore
 
 
README.md
README.md
 
 

Repository files navigation

NNScholar - 医学文献智能检索与分析系统

NNScholar 是一个基于 Python 开发的医学文献智能检索与分析系统，集成了 PubMed API 和 DeepSeek AI，为医学研究人员提供便捷的文献检索和分析工具。

主要功能

系统主要支持以下四个方向的文献检索与分析：

  1. 综述初稿撰写辅助
  2. 文献泛读
  3. 段落参考文献智能匹配
  4. 研究热点分析

1. 文献检索模块

1.1 单句模式

  • 支持中英文自然语言输入
  • DeepSeek AI 自动转换为 PubMed 检索策略
  • 支持检索策略手动修改和优化
  • 文献分区筛选功能：
    • JCR分区筛选（Q1-Q4）
    • 中科院分区筛选（1-4区）
    • 影响因子范围筛选
    • 发表年份筛选
  • 自动生成分析文件（位于 exports 文件夹）：
    • 初始检索结果的 Excel 表格和 Word 文档
    • 筛选后结果的 Excel 表格和 Word 文档
    • 文献分析报告
    • 文献清单

1.2 段落模式

  • 适用于已撰写的前言或基金背景
  • 自动分句并为每句话匹配权威参考文献
  • 智能关联度排序
  • 支持批量文献引用
  • 权威参考文献背书：
    • 优先匹配高影响因子期刊文献
    • 优先匹配高分区期刊文献（JCR Q1/Q2, 中科院1/2区）
    • 优先匹配近五年高被引文献
    • 智能识别经典文献和综述性文献
    • 自动标注各文献的分区和影响因子信息

文献筛选功能

  1. 期刊分区筛选

    • JCR分区筛选：支持选择Q1-Q4任意组合
    • 中科院分区筛选：支持选择1-4区任意组合
    • 可同时应用两种分区体系进行筛选
    • 分区信息自动更新

  2. 影响因子筛选

    • 支持设置最低影响因子阈值
    • 影响因子信息实时更新
    • 支持按影响因子范围筛选

  3. 年份筛选

    • 支持设置起止年份
    • 支持限定最近N年
    • 经典文献智能识别

  4. 智能排序

    • 综合评分排序：
      • 文献相关度权重（70%）
      • 期刊影响力权重（30%）
    • 引用量加权
    • 时效性加权

  5. 筛选结果分析

    • 显示各筛选条件的文献数量变化
    • 生成筛选过程统计报告
    • 自动分析筛选后文献的分布特点

权威参考文献背书系统

  1. 文献质量评估

    • 期刊等级评估：
      • JCR分区评估
      • 中科院分区评估
      • 影响因子评估
    • 文献影响力评估：
      • 引用量分析
      • 作者影响力分析
      • 机构影响力分析

  2. 智能匹配策略

    • 相关度智能计算：
      • 标题关键词匹配
      • 摘要内容分析
      • 主题相关度评估
    • 文献权威性评估：
      • 期刊影响力
      • 作者影响力
      • 发表时间
      • 引用情况

  3. 背书等级划分

    • 顶级背书：
      • JCR Q1/Q2期刊
      • 中科院1/2区期刊
      • 高影响因子期刊
    • 经典背书：
      • 领域经典文献
      • 高被引文献
      • 权威综述
    • 时效性背书：
      • 最新研究进展
      • 近五年高质量文献

  4. 自动化推荐

    • 为每个观点匹配最适合的参考文献
    • 提供多个备选文献
    • 自动生成参考文献引用说明
    • 导出完整的文献信息

2. 热点分析模块

2.1 期刊热点分析

  • 分析特定期刊的近年发文热点趋势
  • 支持添加关键词筛选特定研究领域
  • 自动生成可视化分析：
    • 研究热点热力图
    • 词云图
    • 趋势变化图

2.2 作者分析

  • 自动识别领域内高产作者
  • 分析作者发文特点：
    • 总发文量
    • 第一作者文章数
    • 通讯作者文章数
    • 发文年份分布

系统特点

  1. 智能检索

    • 集成 DeepSeek AI 进行检索策略优化
    • 支持中英文混合输入
    • 检索策略可视化和手动优化

  2. 自动分析

    • 文献相关度智能评分
    • 期刊影响因子和分区信息自动关联
    • 多维度文献分析报告

  3. 数据导出

    • 自动生成 Excel 和 Word 格式文献清单
    • 支持批量导出和分析
    • 分析报告自动生成

  4. 可视化展示

    • 研究热点热力图
    • 词云图
    • 趋势分析图表

使用说明

环境要求

  • Python 3.8+
  • Flask
  • pandas
  • matplotlib
  • seaborn
  • nltk
  • beautifulsoup4

安装步骤

  1. 克隆项目到本地
  2. 安装依赖：pip install -r requirements.txt
  3. 配置环境变量：
    • 创建 .env 文件
    • 设置必要的 API 密钥： 
      DEEPSEEK_API_KEY=your_key
PUBMED_API_KEY=your_key
PUBMED_EMAIL=your_email
  4. 运行应用：python app.py

使用流程

  1. 文献检索

    • 选择检索模式（单句/段落）
    • 输入检索内容
    • 查看和优化检索策略
    • 执行检索
    • 在 exports 文件夹查看生成的分析文件

  2. 热点分析

    • 输入目标期刊名称
    • 设置分析时间范围
    • 可选：添加关键词
    • 查看分析结果和可视化图表

注意事项

  1. 首次使用需要配置 API 密钥
  2. 检索结果自动保存在 exports 文件夹
  3. 建议定期清理 exports 文件夹以节省存储空间
  4. 系统支持的最大检索结果数为 3000 篇

开发者

本项目由华中科技大学同济医学院附属同济医院的刘远康博士开发，免费开源。 如有部署或其他需求，请联系微信：Blackbirdflyinthesky

功能特点

  • 智能文献检索

    • 使用PubMed API进行文献检索
    • 支持智能检索策略生成
    • 支持检索策略的手动修改和优化

  • 文献分析

    • 自动分析文献的年份分布
    • 智能计算文献相关性得分
    • 支持多维度筛选（年份、影响因子、JCR分区、CAS分区）

  • 热点分析

    • 期刊热点主题分析
    • 研究热点趋势可视化
    • 热点作者统计分析
    • 生成热力图展示研究热度

  • 数据导出

    • 支持Excel格式导出（包含详细的文献信息）
    • 支持Word文档导出（包含格式化的文献报告）
    • 自动导出初始检索结果和筛选后结果

  • 期刊指标

    • 自动获取期刊的影响因子
    • 显示JCR分区信息
    • 显示中科院分区信息

安装说明

  1. 安装Python 3.8或更高版本
  2. 克隆或下载本项目
  3. 安装依赖包：
pip install -r requirements.txt

配置说明

  1. 在项目根目录创建.env文件，添加以下配置：
DEEPSEEK_API_KEY=your_deepseek_api_key
PUBMED_API_KEY=your_pubmed_api_key
PUBMED_EMAIL=your_email
TOOL_NAME=nnscholar_pubmed
PUBMED_API_URL=https://eutils.ncbi.nlm.nih.gov/entrez/eutils/
  1. 替换以下配置项：
  • DEEPSEEK_API_KEY：你的DeepSeek API密钥（用于生成智能检索策略）
  • PUBMED_API_KEY：你的PubMed API密钥（用于文献检索）
  • PUBMED_EMAIL：你的邮箱地址（PubMed API要求）

使用说明

  1. 启动应用：
python app.py
  1. 访问应用：
  • 打开浏览器访问 http://localhost:5000

  1. 文献检索流程：

    • 输入检索关键词
    • 系统自动生成优化的检索策略
    • 可以根据需要修改检索策略
    • 执行检索获取文献列表
    • 使用筛选条件过滤文献
    • 导出所需的文献信息

  2. 热点分析功能：

    • 选择目标期刊和时间范围
    • 可选择特定研究方向关键词
    • 系统自动分析热点主题和趋势
    • 生成热力图和趋势图
    • 展示高产作者和研究团队

  3. 导出功能：

    • Excel导出：包含文献的详细信息，适合数据分析
    • Word导出：生成格式化的文献报告，适合阅读和分享
    • 系统会同时保存初始检索结果和筛选后的结果

文件结构

nnscholar-search-main/
├── app.py              # 主应用程序
├── analyze_papers.py   # 文献分析脚本
├── journal_analyzer.py # 期刊分析工具
├── requirements.txt    # 依赖包列表
├── .env               # 环境配置文件
├── data/              # 数据文件目录
│   └── journal_metrics/  # 期刊指标数据
├── exports/           # 导出文件目录
├── logs/              # 日志文件目录
├── static/            # 静态资源目录
│   └── images/        # 热力图等图像文件
└── templates/         # 模板文件目录

注意事项

  1. 首次运行时会自动下载NLTK数据
  2. 确保有稳定的网络连接
  3. API密钥请妥善保管，不要泄露
  4. 导出文件会自动保存在exports目录下
  5. 日志文件会自动保存在logs目录下
  6. 热力图等分析图表保存在static/images目录

常见问题

  1. 如果遇到NLTK数据下载问题，可以手动下载并放置在正确的目录
  2. 如果遇到API限制，请检查API密钥是否正确
  3. 如果需要更改端口，可以在app.py中修改
  4. 如果导出文件失败，请检查exports目录的权限
  5. 如果热点分析图表不显示，检查static目录权限

更新日志

2024.02

  • 添加了Word文档导出功能
  • 优化了文献相关性计算
  • 改进了检索策略生成
  • 添加了更详细的筛选统计信息
  • 新增期刊热点分析功能
  • 添加热点主题可视化展示

许可证

MIT License

贡献指南

欢迎提交Issue和Pull Request来帮助改进项目。

About

No description, website, or topics provided.

Resources

Readme
Activity

Stars

59 stars

Watchers

1 watching

Forks

16 forks
Report repository

Releases

5 tags

Packages

No packages published

Languages