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)文獻的數(shù)目急劇增長,為了從生物醫(yī)學(xué)文獻中挖掘知識,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)模未標注數(shù)據(jù)進行蛋白質(zhì)相互作用關(guān)系抽取,提出了基于廣義期望準則的半監(jiān)督方法。該方法利用廣義期望準則訓(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則的方法可以有效的利用少量的標注樣本與大量的未標注樣本,非常適用于嚴重缺乏標注語料的生物醫(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