面向生化網(wǎng)絡(luò)的文獻(xiàn)挖掘方法研究與系統(tǒng)集成.pdf

1、隨著生物技術(shù)的迅猛發(fā)展，生物醫(yī)學(xué)信息量呈爆炸性增長(zhǎng)。生物醫(yī)學(xué)文獻(xiàn)作為展示學(xué)術(shù)成果的主要方式之一，其數(shù)目之大、增長(zhǎng)速度之快遠(yuǎn)遠(yuǎn)超過(guò)了其他學(xué)科領(lǐng)域。面對(duì)數(shù)目巨大且快速增長(zhǎng)的文獻(xiàn)，研究者如果僅依賴(lài)手工的方式獲取文獻(xiàn)信息，完全跟蹤其研究領(lǐng)域幾乎是不可能的，甚至是一個(gè)特定的主題也難以做到。因此，一個(gè)能自動(dòng)從海量文獻(xiàn)中找到重要信息的文獻(xiàn)挖掘系統(tǒng)，成為了生物醫(yī)學(xué)研究者在研究工作中必不可少的工具之一。本文以生化網(wǎng)絡(luò)為主題，對(duì)文獻(xiàn)挖掘中的一些關(guān)鍵的方法進(jìn)

2、行了研究，主要的研究工作包括： 1.針對(duì)目前已出現(xiàn)的具有特定一項(xiàng)功能的眾多文獻(xiàn)挖掘工具，本文給出了一種面向生物醫(yī)學(xué)文獻(xiàn)挖掘的通用系統(tǒng)設(shè)計(jì)方案--BNLitMiner系統(tǒng)方案，并通過(guò)對(duì)文獻(xiàn)分類(lèi)中的一些關(guān)鍵算法的研究與應(yīng)用集成系統(tǒng)(BioIMIS)的開(kāi)發(fā)實(shí)現(xiàn)了這一系統(tǒng)方案。 2.針對(duì)傳統(tǒng)的貝葉斯方法在生物醫(yī)學(xué)文獻(xiàn)挖掘應(yīng)用中偏向于較長(zhǎng)文檔這一不足之處，通過(guò)引入文檔長(zhǎng)度因子，提出了一種改進(jìn)的貝葉斯算法(LRABIB)。實(shí)驗(yàn)結(jié)果與

3、分析表明：相對(duì)于一般的貝葉斯方法，LRABIB提高了文獻(xiàn)的查全率和查準(zhǔn)率，同時(shí)減少了算法執(zhí)行時(shí)間。 3.在生物醫(yī)學(xué)文獻(xiàn)自動(dòng)分類(lèi)過(guò)程中將基因本體(Gene Ontology，GO)信息引入到支持向量機(jī)(Support Vector Machine，SVM)分類(lèi)模型中，提出了GO-SVM算法。實(shí)驗(yàn)結(jié)果表明，GO-SVM算法相對(duì)于傳統(tǒng)的SVM分類(lèi)具有較高的綜合指數(shù)F-Score。 應(yīng)用文獻(xiàn)挖掘的方法來(lái)獲取生物醫(yī)學(xué)知識(shí)，不僅僅具