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。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，對于生物醫(yī)學(xué)研究者具有重要意義。然而數(shù)以千萬計的文獻(xiàn)使得研究者追蹤和整理自己需要的知識和信息變得越來越困難。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)中獲取知識和信息的效率。因此針對生物醫(yī)學(xué)文獻(xiàn)的文本挖掘研究具有重要的應(yīng)用價值。判別式模型是一類直接利用特征來預(yù)測目標(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。相對于產(chǎn)生式模型，判別式模型降低了特征之間的獨立性假設(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)文本挖掘中的三個任務(wù)：生物醫(yī)學(xué)名實體識別、生物醫(yī)學(xué)實體規(guī)范化以及生物醫(yī)學(xué)語義關(guān)系抽取。在這3任務(wù)中，第二個任務(wù)是第一個任務(wù)在語義處理上的延伸，前兩個任務(wù)是第三個任務(wù)

3、的基礎(chǔ)。本文的主要內(nèi)容包含以下4個方面。
　　生物醫(yī)學(xué)名實體識別的目標(biāo)是確定一個給定的文本集合內(nèi)的某一類型的實體的名字的所有實例，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識別的特點和難點，分析了目前已有的生物醫(yī)學(xué)實體識別方法的優(yōu)缺點的基礎(chǔ)上，提出了利用條件隨機(jī)域模型結(jié)合豐富特征集來進(jìn)行生物醫(yī)學(xué)實體識別的方法。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、同時用來進(jìn)行實體的邊界檢測和類別判斷。實驗表明，這一特征可以有效地提高名實體識別的效果。
　　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)記的語料已相當(dāng)容易，但是對語料進(jìn)行標(biāo)注仍然是一件昂貴的工作。針對在生物醫(yī)學(xué)名實體識別中有監(jiān)督學(xué)習(xí)所需的大規(guī)模訓(xùn)練語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)注語料來提高在較少的標(biāo)注語料的基礎(chǔ)上學(xué)習(xí)到的分

5、類器的名實體識別性能。為了進(jìn)一步提高半監(jiān)督學(xué)習(xí)的效果，本文將主動學(xué)習(xí)引入到半監(jiān)督學(xué)習(xí)的過程中。實驗表明，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別性能。
　　靈活的生物醫(yī)學(xué)實體命名方式使得生物醫(yī)學(xué)實體具有嚴(yán)重的歧義。這已成為對生物醫(yī)學(xué)文獻(xiàn)進(jìn)行深層自動文本挖掘的主要障礙之一。生物醫(yī)學(xué)實體規(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)識符。本文提出了一種

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

7、抽取出生物醫(yī)學(xué)知識的重要手段。在實際應(yīng)用中，生物醫(yī)學(xué)語義關(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)語義關(guān)系抽取的方法。針對不區(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，該方法在一個具有10種蛋白質(zhì)相互作