基于判別式模型的生物醫(yī)學(xué)文本挖掘相關(guān)問題研究.pdf

1、隨著計(jì)算技術(shù)和生物技術(shù)的進(jìn)步，當(dāng)前生物醫(yī)學(xué)文獻(xiàn)正在以前所未有的速度增長(zhǎng)。這些文獻(xiàn)中蘊(yùn)含著最新的研究進(jìn)展和豐富的生物醫(yī)學(xué)知識(shí)，對(duì)于生物醫(yī)學(xué)研究者具有重要意義。然而數(shù)以千萬(wàn)計(jì)的文獻(xiàn)使得研究者追蹤和整理自己需要的知識(shí)和信息變得越來(lái)越困難。文本挖掘技術(shù)可以解決這一問題，幫助生物醫(yī)學(xué)研究者提高從文獻(xiàn)中獲取知識(shí)和信息的效率。因此針對(duì)生物醫(yī)學(xué)文獻(xiàn)的文本挖掘研究具有重要的應(yīng)用價(jià)值。判別式模型是一類直接利用特征來(lái)預(yù)測(cè)目標(biāo)變量的發(fā)生概率的機(jī)器學(xué)習(xí)模型，本文

2、中主要用到的判別式模型有最大熵模型和條件隨機(jī)域模型。相對(duì)于產(chǎn)生式模型，判別式模型降低了特征之間的獨(dú)立性假設(shè)的要求，并且與很多文本挖掘任務(wù)的需求相一致，因而更有可能取得好的效果。
　　本文主要研究如何利用判別式模型來(lái)解決生物醫(yī)學(xué)文獻(xiàn)挖掘中的問題。具體地，我們研究了生物醫(yī)學(xué)文本挖掘中的三個(gè)任務(wù)：生物醫(yī)學(xué)名實(shí)體識(shí)別、生物醫(yī)學(xué)實(shí)體規(guī)范化以及生物醫(yī)學(xué)語(yǔ)義關(guān)系抽取。在這3任務(wù)中，第二個(gè)任務(wù)是第一個(gè)任務(wù)在語(yǔ)義處理上的延伸，前兩個(gè)任務(wù)是第三個(gè)任務(wù)

3、的基礎(chǔ)。本文的主要內(nèi)容包含以下4個(gè)方面。
　　生物醫(yī)學(xué)名實(shí)體識(shí)別的目標(biāo)是確定一個(gè)給定的文本集合內(nèi)的某一類型的實(shí)體的名字的所有實(shí)例，它是進(jìn)行深層次文本挖掘的必要步驟之一。本文在考察了生物醫(yī)學(xué)領(lǐng)域?qū)嶓w識(shí)別的特點(diǎn)和難點(diǎn)，分析了目前已有的生物醫(yī)學(xué)實(shí)體識(shí)別方法的優(yōu)缺點(diǎn)的基礎(chǔ)上，提出了利用條件隨機(jī)域模型結(jié)合豐富特征集來(lái)進(jìn)行生物醫(yī)學(xué)實(shí)體識(shí)別的方法。這些特征包括：構(gòu)詞法特征、上下文特征和句法特征。其中，淺層句法特征是首次被引入到條件隨機(jī)域模型中，

4、同時(shí)用來(lái)進(jìn)行實(shí)體的邊界檢測(cè)和類別判斷。實(shí)驗(yàn)表明，這一特征可以有效地提高名實(shí)體識(shí)別的效果。
　　有監(jiān)督的機(jī)器學(xué)習(xí)方法需要大規(guī)模的標(biāo)注語(yǔ)料。大量的電子文獻(xiàn)使得在生物醫(yī)學(xué)領(lǐng)域獲取未標(biāo)記的語(yǔ)料已相當(dāng)容易，但是對(duì)語(yǔ)料進(jìn)行標(biāo)注仍然是一件昂貴的工作。針對(duì)在生物醫(yī)學(xué)名實(shí)體識(shí)別中有監(jiān)督學(xué)習(xí)所需的大規(guī)模訓(xùn)練語(yǔ)料比較難以獲取的問題，本文提出了基于最大熵模型的協(xié)同訓(xùn)練的半監(jiān)督學(xué)習(xí)方法。該方法可以利用大量的未標(biāo)注語(yǔ)料來(lái)提高在較少的標(biāo)注語(yǔ)料的基礎(chǔ)上學(xué)習(xí)到的分

5、類器的名實(shí)體識(shí)別性能。為了進(jìn)一步提高半監(jiān)督學(xué)習(xí)的效果，本文將主動(dòng)學(xué)習(xí)引入到半監(jiān)督學(xué)習(xí)的過(guò)程中。實(shí)驗(yàn)表明，基于最大熵模型的協(xié)同訓(xùn)練方法可以有效地提高初始分類器的識(shí)別性能。
　　靈活的生物醫(yī)學(xué)實(shí)體命名方式使得生物醫(yī)學(xué)實(shí)體具有嚴(yán)重的歧義。這已成為對(duì)生物醫(yī)學(xué)文獻(xiàn)進(jìn)行深層自動(dòng)文本挖掘的主要障礙之一。生物醫(yī)學(xué)實(shí)體規(guī)范化的提出就是為了解決這一問題。生物醫(yī)學(xué)實(shí)體規(guī)范化就是把生物醫(yī)學(xué)文獻(xiàn)中表達(dá)同一概念的不同變體映射到統(tǒng)一的概念標(biāo)識(shí)符。本文提出了一種

6、用于生物醫(yī)學(xué)實(shí)體規(guī)范化的多層歧義消解框架。實(shí)體規(guī)范化過(guò)程中不同階段有不同的歧義情形，在本文提出的框架中，針對(duì)這些情形采用了有針對(duì)性的解決策略，包括：基于詞典的實(shí)體名字檢測(cè)，基于機(jī)器學(xué)習(xí)方法的候選選擇以及基于知識(shí)的歧義消解。在BioCreAtIvE2006基因名字規(guī)范化任務(wù)的測(cè)試集上的實(shí)驗(yàn)表明本文提出的框架可以有效地解決規(guī)范化過(guò)程中的各種歧義。
　　生物醫(yī)學(xué)語(yǔ)義關(guān)系抽取是生物醫(yī)學(xué)文本挖掘的主要研究?jī)?nèi)容之一，是從無(wú)結(jié)構(gòu)的生物醫(yī)學(xué)文獻(xiàn)中

7、抽取出生物醫(yī)學(xué)知識(shí)的重要手段。在實(shí)際應(yīng)用中，生物醫(yī)學(xué)語(yǔ)義關(guān)系的定義有寬泛和具體之分。本文將寬泛定義和具體定義的生物醫(yī)學(xué)語(yǔ)義關(guān)系抽取分別看作二分類和多分類問題，提出基于最大熵模型的生物醫(yī)學(xué)語(yǔ)義關(guān)系抽取的方法。針對(duì)不區(qū)分類別的蛋白質(zhì)相互作用這種寬泛定義的關(guān)系抽取，提出了一種基于最大熵的二階段蛋白質(zhì)相互作用關(guān)系抽取方法。針對(duì)多類別的蛋白質(zhì)相互作用這種具體定義的關(guān)系抽取，提出使用最大熵模型結(jié)合詞特征的抽取方法，該方法在一個(gè)具有10種蛋白質(zhì)相互作