薛延韬，王江宁，林聪田，韩艳，丁晓庆，纪力强*

1.中国科学院动物研究所，北京 100101

2.中国科学院大学，北京 100049

3.国家基础学科公共科学数据中心，北京 100190

引 言

生物形态特征提取工作是将志书、图谱、论文等文献资料中有关物种特点的文字描述进行信息抽取，形成结构化数据的过程。结构化数据具有可量化或可类化的特点，便于计算机处理。可量化的数据指的是能以数值衡量的数据，可进行数值计算；可类化的数据指的是离散的定性描述型数据，一般都有明确的取值类型，类似枚举型数据结构的概念。另外还有一些特殊类型的数据：时间型数据是在时间维度上的数据，通常和日期、季节、时间、发育阶段等有关，作为描述的状语或限定词出现；比较型数据是针对两个以上描述对象进行特征比较的特殊数据类型，这类数据主要是针对同一个性状或特征在不同的时间或类群之间进行比较的结果，是相对值。

形态特征对于生物学研究非常重要，是生物地理、系统进化等许多生物学科的基础；此外，它也是生物学和计算机方法交流的基础[1]。在当前生物学各分支学科逐渐由定性向定量研究发展的时代，形态特征数据也逐渐从记录走向应用。提取中文形态特征数据，不仅是对全球生物性状数据的补充完善，还能对与计算机、人工智能等学科融合起一定推波助澜作用。

由于我国的生物学起步较迟，许多基础生物学数据，尤其是形态特征，常以中文文字描述的自由文本的形式记录于各类志书、图谱、论文等文献资料中，数据数字化程度不高，可用的数据库则更少。……