# Navi

# 运作原理

Navi 是基于 MEDLINE 数据库中的文献，通过自建索引和机器学习得到的权重值，返回相关文献的，新一代文献搜索引擎，主要目的是服务于文献主题大数据分析和文献追踪两个服务。

Navi 在计算文献与关键词的相关性之后，会结合诸如被引、影响因子、发表时间及领域相关特征等进行加权排序，权重通过机器学习得到，并会周期性以用户反馈为基准进行矫正。结合现代搜索引擎的设计理念，平衡相关性和重要性，深度优化显示结果，以期能与 PubMed 进行互补。

Navi 的搜索分为相关性检索和强行匹配，在不使用高级语法的情况下，文献均以相关性检索的形式呈现，而使用了高级语法后，某些特定条目会使用强行匹配，即两个字段必须完全相同。

由于建立于普适的自然语言处理技术，缺少 MESH 自动扩展功能，在面对医学同义词扩展问题上不如 PubMed 行之有效，但对于快速检索于目标关键词相关的内容时，前几页的结果相关度在大部分情况下表现可能会更佳。

由于目前机器性能有限，仅对标题、摘要、关键词和 MESH 进行了索引和机器学习处理，能够满足基本的搜索要求，后续会视情况，将其他字段纳入索引。

示例：搜索gastric cancer single cell 已知该目标应有 5 篇相关文献

Figure10. PubMed(Legacy) vs PubMed(New) vs Navi

Table1. PubMed(Legacy) vs PubMed(New) vs Navi

在不使用高级语法的情况下，引擎对关键词的处理类似网页搜索，空格被解析为或，Navi 对这些关键词与文献的标题、摘要、关键词和 MESH 进行相关性计算，在综合排序下会结合被引、发表年份、影响因子和领域相关特征进行排序。
使用高级语法后，Navi 会根据条目的属性自动选择强行匹配或相关性匹配，其中需要注意的是 journal 和 journals，journal 执行的是期刊缩写的强行匹配（可以在这里查询），journals 计算的是相关性匹配，如检索 nature 会同时出现 nature medicine、nature communications 等。

Name	Syntax	Fields	Example
Author Match	`<target>`{author}	author *(use space between first and last name)	`John Doe`{author}
Location Match	`<target>`{location}	location *(use full name of location)	`United States`{location}
Journal	`<target>`{<field>}	journal *(use medline Abbr of journal)	`Nat Methods`{journal}
Keyword Match	`<target>`{<field>}	title, affiliations, keywords, abstract, journals, all	`single cell`{title}

Table2. Advanced Syntax of Navi

示例：single cell的文献报告

Figure11. Paper Report

Figure12. View the Paper

更多示例（生成文献报告需要时间，请耐心等待）

Navi 的主要有以下两种使用场景

机构
- 机构采取相关性匹配的检索方法
  - 在遇到同名机构时建议加上地区名等
  - 示例：机构检索示例
PubMed 的效果较差时，可以尝试 Navi
- 例如上述的 gastric cancer single cell 结果，Navi 能够检索到更多相关的文献
- PubMed 的表现有时不尽如人意，推测是一些较为新的概念缺乏 MESH 的支持，而这应该是 PubMed 高效检索的关键。在新版 PubMed 中，有时会看到大量关联性不大的文献，推测是新版 PubMed 也在逐步减少对 MESH 的依赖，转而使用一些基于 NLP 技术的新技术和新模型。