基于深度學(xué)習(xí)的生物醫(yī)學(xué)事件抽取研究.pdf

1、大數(shù)據(jù)時代下可公開獲得的生物文獻(xiàn)數(shù)據(jù)迅速增長，系統(tǒng)生物學(xué)家對于構(gòu)建復(fù)雜生物關(guān)系網(wǎng)絡(luò)的需求也越來越迫切，從海量的生物文獻(xiàn)中挖掘滿足系統(tǒng)生物學(xué)家研究需求的知識變得越來越重要，而傳統(tǒng)的關(guān)系抽取只能針對簡單的二元實體關(guān)系，并不能滿足系統(tǒng)生物學(xué)發(fā)展的需要，因此，旨在抽取細(xì)粒度的生物實體之間復(fù)雜關(guān)系的生物醫(yī)學(xué)事件抽取應(yīng)運(yùn)而生，成為生物醫(yī)學(xué)以及自然語言處理領(lǐng)域一個非常重要的研究課題，并被廣泛應(yīng)用于通路擴(kuò)展、本體庫建設(shè)以及語義網(wǎng)絡(luò)構(gòu)建等領(lǐng)域。
　

2、　傳統(tǒng)的機(jī)器學(xué)習(xí)方法在生物醫(yī)學(xué)事件抽取中得到了很好的應(yīng)用，本文在前人研究的基礎(chǔ)上，對事件抽取進(jìn)行進(jìn)一步的探索，主要研究深度學(xué)習(xí)方法在生物醫(yī)學(xué)事件中的應(yīng)用。在事件抽取流程上，依然沿用經(jīng)典的事件抽取流程:事件觸發(fā)詞識別、事件元素檢測、規(guī)則后處理。首先，采用分布式表示方法作為單詞的特征表示，利用海量無標(biāo)注的Pubmed摘要數(shù)據(jù)，基于句法上下文信息，訓(xùn)練獲得句法詞向量，以捕獲單詞的功能性語義信息;在事件觸發(fā)詞識別中，我們摒棄復(fù)雜的特征設(shè)計，以句

3、法詞向量為基礎(chǔ)，引入額外的語義特征，包括主題特征、詞性特征、與實體最小距離特征，共同構(gòu)建侯選觸發(fā)詞的分布式語義表示，并充分發(fā)揮深度學(xué)習(xí)的優(yōu)勢，自動進(jìn)行特征學(xué)習(xí);在元素檢測階段，利用卷積神經(jīng)網(wǎng)絡(luò)模型對句子進(jìn)行建模的能力，基于觸發(fā)詞-實體以及觸發(fā)詞-觸發(fā)詞依存路徑特征，以句法詞向量作為主要輸入，并引入其它語義特征，包括詞性特征、與實體相對距離特征、觸發(fā)詞或?qū)嶓w類型特征，作為句法詞向量的補(bǔ)充，通過卷積與池化操作，學(xué)習(xí)句子級別的特征表示，以識別