RxnScribe: A Sequence Generation Model for Reaction Diagram Parsing

解决问题：该论文试图解决的问题是从化学文献中提取反应方案的任务。由于反应方案的图示可以任意复杂，因此将它们稳健地解析成结构化数据是一个开放性挑战。

关键思路：该论文的解决方案是使用序列生成方法来构建机器学习模型，将传统的管道模型压缩成端到端模型。相比于当前领域的研究状况，该论文的思路创新之处在于提出了这种新的序列生成方法。

其他亮点：该论文的值得关注之处在于，作者使用了1,378个反应图示数据集进行训练，并在交叉验证中取得了80.0%的软匹配F1分数，相比之前的模型有了显著的提高。此外，作者公开了代码和数据，可在https://github.com/thomas0809/RxnScribe上获得。值得继续深入研究的工作是将该模型应用于更广泛的领域。

关于作者：该论文的主要作者是Yujie Qian、Jiang Guo、Zhengkai Tu、Connor W. Coley和Regina Barzilay。他们分别来自麻省理工学院和哈佛大学。其中，Regina Barzilay曾经在自然语言处理领域做出过杰出的贡献，获得过多项奖励。

相关研究：最近的相关研究包括：

  1. "Neural Network Models for Predicting Organic Chemistry Reactions"，作者为Marwin HS Segler、Mike Preuss，机构为Technische Universität Berlin。
  2. "ReactionPredictor: Prediction of Complex Chemical Reactions at the Mechanism Level Using Machine Learning"，作者为Yuanqing Wang、Wenhao Huang、Zhiwei Chen，机构为University of California, Los Angeles。

论文摘要：本文介绍了一种名为 RxnScribe 的机器学习模型，用于解析化学文献中的反应方程式图。由于反应方程式图可能非常复杂，因此将其鲁棒地解析为结构化数据是一个开放性挑战。本文采用序列生成方法，将传统的流程压缩到一个端到端模型中，从而形成这个结构化预测任务。我们使用了 1,378 个反应方程式图数据集来训练 RxnScribe，并进行交叉验证评估，取得了80.0%的软匹配 F1 分数，较之前的模型有显著改进。我们的代码和数据公开在 https://github.com/thomas0809/RxnScribe。

内容中包含的图片若涉及版权问题，请及时与我们联系删除