生物醫(yī)學(xué)文本中蛋白質(zhì)相互作用關(guān)系抽取關(guān)鍵技術(shù)研究.pdf

1、隨著生物醫(yī)學(xué)領(lǐng)域研究的飛速發(fā)展,生物醫(yī)學(xué)文獻(xiàn)的數(shù)目急劇增長,為了從生物醫(yī)學(xué)文獻(xiàn)中挖掘知識,蛋白質(zhì)相互作用關(guān)系抽取成為了近年來的研究熱點。本文的研究內(nèi)容為蛋白質(zhì)相互作用關(guān)系抽取的關(guān)鍵技術(shù),具體包括生物醫(yī)學(xué)命名實體識別和關(guān)系抽取,其中實體識別是關(guān)系抽取的基礎(chǔ)。本文針對上述兩個問題,主要進(jìn)行了3個方面的研究,并在此基礎(chǔ)上實現(xiàn)了一個面向蛋白質(zhì)相互作用關(guān)系抽取的生物醫(yī)學(xué)文獻(xiàn)檢索系統(tǒng)。
　　首先,本文分別采用了產(chǎn)生式模型與判別式模型對生物醫(yī)學(xué)

2、命名實體識別問題進(jìn)行研究。為了獲取句子中的長距離依賴以及利用自然語言的冪律分布特征,本文提出了一個基于 Sequence Memoizer的產(chǎn)生式模型,其中Sequence Memoizer是一個非參數(shù)貝葉斯模型。本文在JNLPBA2004數(shù)據(jù)集上對該模型進(jìn)行了測試,實驗結(jié)果表明本文提出的基于 Sequence Memoizer的產(chǎn)生式模型優(yōu)于隱馬爾科夫模型,且與最大熵模型取得的結(jié)果相當(dāng)。為了利用豐富的特征集和大規(guī)模的訓(xùn)練數(shù)據(jù),本文利用

3、最大熵模型進(jìn)行了實體識別任務(wù),最大熵模型的優(yōu)點是易于利用各種有效的特征,且訓(xùn)練時間短,適用于大規(guī)模的數(shù)據(jù)集。在CALBC2011國際生物醫(yī)學(xué)命名實體識別評測任務(wù)中驗證了本文提出的方法在面對大規(guī)模低質(zhì)量訓(xùn)練數(shù)據(jù)的有效性。
　　其次,本文提出了基于自動規(guī)則學(xué)習(xí)的蛋白質(zhì)相互作用關(guān)系抽取方法,規(guī)則的產(chǎn)生主要利用依存句法分析。該方法利用依存句法分析的結(jié)果自動學(xué)習(xí)規(guī)則并建立規(guī)則庫,預(yù)測的過程即規(guī)則匹配的過程。在AIMed數(shù)據(jù)集上的實驗結(jié)果驗證

4、了本文所提出方法的有效性。
　　另外,本文為了利用大規(guī)模未標(biāo)注數(shù)據(jù)進(jìn)行蛋白質(zhì)相互作用關(guān)系抽取,提出了基于廣義期望準(zhǔn)則的半監(jiān)督方法。該方法利用廣義期望準(zhǔn)則訓(xùn)練最大熵模型。通過在AIMed語料上的實驗,驗證了基于廣義期望準(zhǔn)則的方法可以有效的利用少量的標(biāo)注樣本與大量的未標(biāo)注樣本,非常適用于嚴(yán)重缺乏標(biāo)注語料的生物醫(yī)學(xué)領(lǐng)域。
　　最后,本文搭建了一個基于MEDLINE數(shù)據(jù)庫的生物醫(yī)學(xué)文獻(xiàn)檢索系統(tǒng),該系統(tǒng)除了具備常規(guī)的檢索功能之外,還集