基于判別式模型的蛋白質(zhì)互作用文本挖掘技術(shù)研究.pdf

1、蛋白質(zhì)互作用描述了蛋白質(zhì)間的相互作用關(guān)系，對于生物醫(yī)學具有重要的理論和應(yīng)用價值。隨著生物醫(yī)學的發(fā)展，人工從文獻中獲取蛋白質(zhì)互作用信息已不能適應(yīng)生物文獻數(shù)量迅速增長的需要。文本挖掘技術(shù)能自動地從文本中發(fā)現(xiàn)知識，因而在蛋白質(zhì)互作用信息提取任務(wù)中得到了廣泛的應(yīng)用。傳統(tǒng)的方法在蛋白質(zhì)命名實體識別和互作用抽取性能上難以滿足實際需要，此外對標注語料的依賴制約了算法的性能。為了解決這些問題，以機器學習中的判別式模型為理論基礎(chǔ)，論文研究工作包括蛋白質(zhì)命

2、名實體識別和蛋白質(zhì)互作用信息抽取兩個任務(wù)。
　　本文主要原創(chuàng)性工作包括以下四個方面：
　　1.提出了一種基于條件隨機域模型，并結(jié)合特征選擇和后處理的蛋白質(zhì)命名實體識別方法。該方法在提取蛋白質(zhì)命名實體特征的基礎(chǔ)上，對傳統(tǒng)的詞特征方法進行擴展。增加的模塊包括：基于信息增益的特征選擇，及后處理階段采用的基于詞性分析的邊界規(guī)則和單詞過濾方法。實驗表明，與傳統(tǒng)方法相比，該方法能夠更好地適應(yīng)于具有復雜定義模式的命名實體識別任務(wù)。

3、　　2.提出了一種基于模型融合的蛋白質(zhì)互作用信息抽取模型。基于級連法的思想，將模式匹配的結(jié)果作為特征融合到詞特征方法中，使得模型兼具模式學習和詞特征方法的優(yōu)點。在模式學習中，對單模式評價的方法進行改進，并提出基于性能增益的模式評價的方法，能夠有效地去除性能低下的模式和冗余模式。實驗表明，與單個方法相比，該方法能夠顯著提高分類性能，且具有更為均衡的準確率和召回率。
　　3.提出了一種融合淺層句法分析的蛋白質(zhì)互作用信息抽取方法。生物文

4、本中復雜的語法結(jié)構(gòu)導致信息抽取性能低下。本方法在信息抽取前，對輸入句子集合進行語塊劃分、同位語分析、并列結(jié)構(gòu)分析、從句分析的處理，從而將待分類的蛋白質(zhì)對的實例劃分到不同的語法單位中。語法單位的劃分能夠限定蛋白質(zhì)對的搜索范圍，提高分類的準確性。實驗表明，與傳統(tǒng)基于機器學習的方法相比，該方法能顯著提升F1值10％以上。
　　4.將基于詞特征的方法和自動模式學習方法進行聯(lián)合訓練，并提出一種基于k-最近鄰算法(kNN)的實例自動標注方法。