搜索引擎已成为查找信息的标准工具，以至于最常用搜索引擎的名称甚至成了“搜索”这一行为的代名词。然而，当查询科学概念和研究等具体内容时，搜索引擎所提供的海量信息反而可能成为一种阻碍。在返回有用且相关结果的同时不遗漏新颖信息，是一项极具挑战性的平衡，但新的工具和设计能力正在改善这一过程。
科研人员对此深有体会，如果没有合适的工具，寻找相关的出版物和资料会变得更加困难。如果返回的结果过于宽泛，就无法找到真正重要的内容；如果返回的答案过于狭窄，则可能会错过重要的新观点。
确定科学研究的最佳平衡点可能具有挑战性，但幸运的是，这并非遥不可及。
搜索引擎中的召回率与精确率
要理解科学搜索，首先必须了解搜索引擎的工作方式。例如，谷歌优先考虑召回率。换句话说，它会最大化查询可能返回的答案数量。它并不担心用户需要查看每一个可能的答案，而是试图通过相关性对结果进行排序，以便将对用户最有价值的信息置于结果页面的顶部。
相反，其他搜索引擎可以优先考虑精确率，即最大化给定查询中最相关的答案。这种搜索类似于使用图书馆的目录搜索：它有一套既定的结果，并提供标题、作者和日期等多个字段进行搜索限定。最大化精确率可以增加获得可控结果集的几率，但也增加了错过那些刚好处于精确搜索范围之外的信息的可能性。
让我们探讨一个例子：如果用户搜索“Plasticizer 40T”，典型的搜索引擎无法识别整个查询代表一种独特的商业物质。由于优先考虑召回率，它会返回不包含“40T”的增塑剂通用结果。用户必须进行第二次查询，通过细化搜索将“40T”包含在内。
而更注重精确率、具备科学意识的搜索（例如通过 CAS SciFinderⓇ）会根据经过整理的本体数据评估查询，并将其识别为一种新型物质实体。因此，它能立即返回特定物质 Plasticizer 40T 的结果，即使文章正文中使用了该物质的其他名称（见图 1）。
设计合适的搜索功能是 CAS 工作的核心，这也是 CAS SciFinder 能够轻松识别与科学研究相关的术语中新型物质的原因。由科学家开发的搜索工具天生对同行研究人员使用的术语更为敏感。然而，搜索一种商业物质仍然是一个相对明确的任务。当研究人员在寻找与某种疾病、研究领域或概念相关的相关性及广度时，情况又会如何呢？
如何找到搜索引擎的最佳平衡点
平衡广度与深度的一种常用方法是使用 布尔 搜索，即利用“and”、“or”及其他连词来连接术语。使用引号将搜索词锁定在一起也有助于细化查询，从而获得更精确的结果。
无论如何构建查询，研究人员都可以通过使用结构化数据并能识别多词文本字符串的搜索引擎找到最佳平衡点。结构化数据具有一致的格式，并根据其特征组织成数据集合。搜索算法随后可以更高效地识别和评估应返回哪些结果。将独特的多词文本字符串识别为单个实体并进行搜索，可以减少因单独搜索术语片段而产生的不相关结果。
如何构建此类内容语料库？通过精心整理并利用本体论来深入理解用户查询。例如，CAS Content CollectionTM 是全球最大的人工整理科学信息库，我们的整理策略能够识别最相关的术语和物质，从而创建独特的索引条目。得益于这种整理工作，搜索结果不再局限于特定出版物的标题或摘要内容。
我们的索引涵盖了科学文献实验部分中的概念和术语，这些内容具体体现了该出版物中科学研究的创新点。例如，期刊文章的引言部分可能会定义作者感兴趣的元背景（如针对某种疾病的下一个突破性疗法），但文章真正的创新点在于评估化学过程的新分析方法。像 CAS SciFinder 这样使用整理数据的解决方案，将专注于分析方法而非元背景，从而更精准地响应用户的查询。
本体论连接正确理念，实现精准搜索结果
我们通过本体论构建这些连接，即通过整理术语集合来捕捉同义关系。这些关系提供了一份既精炼又详尽的术语列表以供利用。如果用户按商品名搜索某种物质，我们的本体论将包含化学名称的变体、其他商品名，甚至是专利申请中的内部标识符。若缺乏这些连接，典型的搜索引擎将无法识别相关结果。
这就是为什么由科学家为科学家打造的搜索工具能够推动更高效的创新——它们能比优先考虑查全率的搜索引擎更快地提供更相关的结果，且数据能够捕捉关键术语之间的层级关系。
例如，在 CAS SciFinder 中搜索“Sonic Hedgehog”一词，其结果与普通搜索引擎截然不同。CAS SciFinder 能立即将其识别为一种蛋白质，并返回相关的科学出版物（见图 3）。而通用搜索引擎返回的则是广为人知的电子游戏角色，而非科学家所寻求的蛋白质信息。
除了本体论，人工整理的索引还能实现算法通常无法完成的发现。人类能够识别代码与化学结构之间的联系，并建立定义化学实体的关系，而这是非人工整理的索引方法可能遗漏的。这使得捕捉图表（如分子和化合物）中的数据成为可能，并将这些信息与出版物中其他表格、图形或文本中的解释联系起来（见图 4）。
若无人工整理，典型的搜索引擎必须依赖光学字符识别（OCR）来处理图形和图表，而简单的图像分辨率不足就可能导致重要发现被遗漏。像我们 CAS 团队提供的这类人工整理解决方案，充分发挥了人类专业知识的优势，并结合了尖端技术的速度与算法进步。
数据质量对搜索的未来至关重要
科学搜索不同于查找本地餐厅评论，学术机构和商业机构都能从平衡查全率与查准率的解决方案中获益。随着任何科学领域知识库的增长，搜索能力也需要不断演进。随着人工智能驱动的工具成为标准搜索解决方案，这一点将变得愈发关键。大型语言模型（LLM）在科学搜索方面可能会遇到困难，除非它们接受过适当数据的训练，并具备处理非文本数据的神经网络层。
凭借专家整理、强大的本体论以及利用非文本数据的能力，专业化解决方案能够应对挑战，持续优化和改进科学搜索，助力创新发现。
