文本挖掘在中醫(yī)藥中的若干應(yīng)用研究.pdf

1、文本挖掘是人工智能、機器學(xué)習(xí)、自然語言處理、數(shù)據(jù)挖掘及相關(guān)自動文本處理如信息抽取、信息檢索、文本分類等理論和技術(shù)相結(jié)合的產(chǎn)物,它得到了越來越多研究人員的關(guān)注.文本挖掘是數(shù)據(jù)挖掘研究面向文本數(shù)據(jù)的自然延伸,其研究仍處于嬰兒期,在方法和應(yīng)用方面均未成熟.中醫(yī)藥學(xué)作為生命科學(xué)具備中國特色的傳統(tǒng)醫(yī)學(xué)組成部分,在疾病診治和方藥使用等方面具有特色和顯著的臨床療效,并包含著豐富的知識,幾千年的醫(yī)學(xué)實踐積累獲得了大量的數(shù)據(jù).在中醫(yī)藥學(xué)信息化建設(shè)的基礎(chǔ)上

2、進行KDD研究具有重要意義.中醫(yī)藥領(lǐng)域未存在文本挖掘的相關(guān)研究,本文在多個方面如文獻臨床復(fù)方藥物組成和科屬配伍知識發(fā)現(xiàn)、中醫(yī)術(shù)語及關(guān)系抽取和中醫(yī)證候基因關(guān)系知識發(fā)現(xiàn)等進行了研究.本文研究內(nèi)容包括如下四個方面:●進行基于字特征的中文文本分類研究,實驗表明字特征是中文文本分類的高效特征表示方法.提出了分布字聚類方法,該方法無需分詞、具有低達10<'2>數(shù)量級的特征維數(shù)和高性能的特點,其與NB結(jié)合的性能接近基于詞特征的SVM分類器,微平均準(zhǔn)確

3、率達到86%.●進行中醫(yī)藥文獻信息抽取研究,提出了Bubble-bootstrapping和ATP方法,該方法無需任何淺層中文自然語言處理、專業(yè)詞庫和已標(biāo)注的訓(xùn)練語料,是一種接近無導(dǎo)師的可縮放性、可移植性信息抽取方法.在近40萬文獻題錄的復(fù)方名稱和疾病名稱抽取實驗中,取得了平均準(zhǔn)確率達99%,F1值65%左右的結(jié)果.應(yīng)用于中醫(yī)藥文獻自動標(biāo)引的副主題詞抽取,達到80%的F1值.ATP是一種semi-hard的模式方法,是未來信息抽取研究的

4、技術(shù)方向之一.●進行文獻臨床復(fù)方藥物組成文本挖掘研究,提出了復(fù)方科屬配伍的概念,并進行了臨床復(fù)方科屬配伍知識發(fā)現(xiàn)研究,實現(xiàn)了MeDisco/3T文本挖掘系統(tǒng).MeDisco/3T實驗表明,復(fù)方文本挖掘研究具有較高的質(zhì)量和實際應(yīng)用價值,復(fù)方用藥中存在科屬配伍的規(guī)律,并能進行挖掘發(fā)現(xiàn).●整合利用中醫(yī)藥文獻庫和生物醫(yī)學(xué)文獻庫(Medline)進行中醫(yī)證候和基因相關(guān)關(guān)系知識發(fā)現(xiàn)研究,實現(xiàn)了原型系統(tǒng)MeDisco/3S,并進行了初步實驗和分析,表