admin/PlantAI-rag

Fork 0

Files

T

potaser 5bb98a937a 初始提交

2026-07-10 17:59:59 +08:00

3.6 KiB

Executable File

Raw Permalink Blame History

V12.1 Fixed 最终状态报告

日期: 2026-04-10 16:45 GMT+8
状态: 核心修复完成，句子级提取进行中

已完成的工作

1. 核心修复 ✅

修复项	状态	说明
API Key读取	✅	修复缩进错误
章节文本保存	✅	完整保存到text_full
LLM关系抽取	✅	使用curl调用百炼API

2. 提取成果（章节级）

荔枝SUT论文 (PMID: 38203234)

指标	数值
章节数	17个
基因数	7个
关系数	6个
关系类型	expressed_in, highly_expressed_in

提取到的关系:

SLSUT01: pulp, peel, seed
SLSUT08: pulp, peel, seed

3. PC方法学习

核心发现:

PC使用逐句提取（句子级）
PC单篇论文提取20-100个关系
PC基因覆盖率80%+

我们的差距:

使用章节级提取，只能提取3-6个关系
基因覆盖率仅5-10%

正在执行的工作

句子级提取

状态: 进行中

已完成的步骤:

✅ 提取40个基因列表
✅ 拆分文本为句子（约300+句子）
🔄 逐句调用LLM提取关系

预计结果:

关系数: 6个 → 50+个
基因覆盖率: 5% → 80%+
关系类型: 2种 → 10+种

文件清单

修复版提取器

extract_v12_1_fixed.py - 基础修复版
extract_v12_1_curl.py - curl调用版
extract_v12_1_improved.py - 改进版
extract_v12_1_complete.py - 完整规则版
extract_complete_sentence.py - 句子级提取版（进行中）

测试结果

/tmp/v12_1_curl_result.json - 章节级结果
/tmp/sentences.json - 句子列表
/tmp/gene_list.json - 40个基因列表
/tmp/v12_1_sentence_complete.json - 句子级结果（生成中）

文档

FINAL_SUMMARY.md - 最终总结
PC_COMPARISON_ANALYSIS.md - PC对比分析
PC_METHOD_SUMMARY.md - PC方法学习
DEEP_COMPARISON.md - 深度对比
CRITICAL_ANALYSIS.md - 问题分析
COMPARISON_RESULT.md - 对比结果

关键认知

1. 提取粒度决定质量

粒度	关系数	覆盖率
章节级	3-6个	5-10%
句子级	50+个	80%+

2. "most genes"问题

章节级: 无法处理概括性描述 句子级: 可以理解并展开到所有基因

3. PC方法验证

PC确实使用细粒度提取（逐句或更细）

单篇论文20-100个关系
15+种关系类型
11种实体类型

下一步行动

立即完成

等待句子级提取完成
- 已运行约30分钟
- 预计需要1-2小时完成全部句子
验证结果
- 检查关系数量
- 检查基因覆盖率
- 对比PC标准

短期优化

优化Prompt
- 更好的关系类型定义
- 更清晰的提取指示
后处理
- 去重
- 标准化
- 添加元数据

长期目标

批量处理
- 处理多篇论文
- 构建知识图谱
与PC对齐
- 导出PC兼容格式
- 贡献数据

当前状态总结

核心修复 ✅

API Key读取: 已修复
章节文本保存: 已实现
LLM调用: 已工作

提取质量 ⚠️

章节级: 已完成（6个关系）
句子级: 进行中（预计50+个关系）

与PC对比 ⚠️

方法已学习
差距已识别
改进方案已制定

结论

V12.1 Fixed 核心修复已完成，当前正在进行句子级提取以提升质量。

预期最终效果:

关系数: 6个 → 50+个
基因覆盖率: 5% → 80%+
达到PC标准

报告时间: 2026-04-10 16:45 GMT+8
签名: 🧬🤖

3.6 KiB Executable File Raw Permalink Blame History