基于統(tǒng)計學(xué)習(xí)的生物醫(yī)學(xué)文本信息抽取方法研究.pdf

1、生物醫(yī)學(xué)文本信息抽取是生物醫(yī)學(xué)研究中不可缺少的環(huán)節(jié)，有關(guān)生物醫(yī)學(xué)的最新信息大部分以文獻(xiàn)的形式存在，隨著統(tǒng)計學(xué)習(xí)技術(shù)和自然語言處理技術(shù)的發(fā)展，采用歸納統(tǒng)計的方法從文本中發(fā)現(xiàn)知識已經(jīng)成為可能。因此采用信息抽取技術(shù)從生物醫(yī)學(xué)文獻(xiàn)發(fā)現(xiàn)生物醫(yī)學(xué)知識是急需和有效的方法。
　　近年來生物醫(yī)學(xué)文本信息抽取已經(jīng)取得了一定的成果，但是與新聞領(lǐng)域同類工作相比，平均性能相差近20個百分點。生物醫(yī)學(xué)領(lǐng)域的文本信息抽取任務(wù)很富有挑戰(zhàn)性，主要是由生物醫(yī)學(xué)領(lǐng)域文

2、本的特點決定的。目前現(xiàn)有成果距離真正實用還有一定距離，其中最主要的問題就是識別的精確率和召回率還有待提高，尚不能滿足實用化的要求。本文以提高生物醫(yī)學(xué)文本信息抽取的性能作為目標(biāo)，尋求新的識別策略，為推進(jìn)生物醫(yī)學(xué)文本信息抽取的實用化做出貢獻(xiàn)。本文研究從如下幾個方面展開：
　　1．研究了基于單分類器的生物醫(yī)學(xué)命名實體識別方法。該方法針對生物醫(yī)學(xué)命名實體特點選擇了豐富有效的特征集合，包括局部特征、全文特征和外部資源特征，提高了學(xué)習(xí)模型的學(xué)

3、習(xí)性能。為了進(jìn)一步提高系統(tǒng)的性能，本文還引入了縮寫詞識別、嵌套識別、邊界擴(kuò)展和過濾器等后處理過程，從多方面結(jié)合多個策略來提高生物醫(yī)學(xué)命名實體的識別性能。
　　2．提出了基于元學(xué)習(xí)策略的多分類器融合模型，包括同態(tài)元學(xué)習(xí)模型和異態(tài)元學(xué)習(xí)模型識別生物醫(yī)學(xué)命名實體。同態(tài)元學(xué)習(xí)模型采用了bag-stacking模型并提出了將基分類器輸出的分類的置信度作為元分類器的輸入的一項特征來提高系統(tǒng)的性能。異態(tài)元學(xué)習(xí)模型使用兩種元學(xué)習(xí)策略包括疊加歸納法

4、和級聯(lián)歸納法融合了四種不同的學(xué)習(xí)模型。實驗結(jié)果表明該模型能夠充分利用不同分類器識別能力之間的互補(bǔ)性和相關(guān)性以及多個層次的特征來提高整體識別性能。同時，打破了單一學(xué)習(xí)模型不能覆蓋生物醫(yī)學(xué)命名實體的所有特點，只能借助豐富的特征選擇和有效的后處理過程來提高系統(tǒng)性能的局限性，取得了比單分類器更好的識別結(jié)果。
　　3．提出了基于多Agent系統(tǒng)學(xué)習(xí)的生物醫(yī)學(xué)命名實體識別方法。探索了將多 Agent系統(tǒng)學(xué)習(xí)方法引入到生物醫(yī)學(xué)命名實體識別中，以

5、提高生物醫(yī)學(xué)命名實體的識別性能，包括基于多Agent元學(xué)習(xí)框架和基于決策共現(xiàn)矩陣的多Agent融合策略，實驗結(jié)果證明多 Agent系統(tǒng)學(xué)習(xí)是一種有效的生物醫(yī)學(xué)命名實體的識別方法，其中面向生物醫(yī)學(xué)命名實體識別的多 Agent元學(xué)習(xí)框架解決了語料分配不平衡的問題，提高了小類別和難識別類別的性能。
　　4．研究了基于元學(xué)習(xí)策略的分類器融合方法在蛋白質(zhì)相互作用關(guān)系識別中的應(yīng)用。該研究的主要目的是通過分析蛋白質(zhì)相互作用關(guān)系的特點，選擇有效的

6、特征集合，包括淺層語言學(xué)特征和深層句法特征，并選擇合適的學(xué)習(xí)模型來提高蛋白質(zhì)相互作用關(guān)系識別的性能；并在此基礎(chǔ)上提出了基于元學(xué)習(xí)策略的分類器融合方法，將基于淺層語言學(xué)特征模型和基于深層句法特征模型融合在一起，充分利用了基于不同特征模型學(xué)習(xí)結(jié)果之間的互補(bǔ)性和相關(guān)性，進(jìn)一步提高了蛋白質(zhì)相互作用關(guān)系識別的性能。
　　本文主要貢獻(xiàn)在于將多種統(tǒng)計學(xué)習(xí)方法應(yīng)用于生物醫(yī)學(xué)信息抽取領(lǐng)域，對該領(lǐng)域中命名實體識別任務(wù)作了深入探索。提出了結(jié)合豐富領(lǐng)域特

7、征、融合多個后處理模塊的基于統(tǒng)計學(xué)習(xí)的生物醫(yī)學(xué)命名實體識別方法；將基于元學(xué)習(xí)的多分類器融合策略引入生物醫(yī)學(xué)命名實體識別研究；將多 Agent系統(tǒng)學(xué)習(xí)引入到生物醫(yī)學(xué)命名實體識別研究；提出了一種融合生物醫(yī)學(xué)文本淺層語言學(xué)特征和深層句法特征的蛋白質(zhì)相互作用關(guān)系識別方法?？傮w來說，本文在應(yīng)用統(tǒng)計學(xué)習(xí)方法進(jìn)行生物醫(yī)學(xué)文本信息抽取方法作了廣泛深入的探索，取得了較好的結(jié)果。這些研究對于文本信息處理領(lǐng)域的同類研究具有參考價值。同時，將有助于醫(yī)學(xué)研究人員