生物實體關(guān)系抽取及知識庫的構(gòu)建.pdf

1、隨著高通量測序技術(shù)的應(yīng)用，越來越多的生物分子實驗成果和臨床醫(yī)學(xué)的成果以文本的形式發(fā)表，使得該領(lǐng)域產(chǎn)生了海量的生物醫(yī)學(xué)文獻。這些文獻雖然包含有大量的生物醫(yī)學(xué)知識，但是它們都是以無結(jié)構(gòu)的自由文本狀態(tài)存在，難以為人類所利用。生物文本挖掘技術(shù)就是從海量的生物文本中抽取關(guān)鍵信息，并轉(zhuǎn)化成人類可以理解的結(jié)構(gòu)化知識，存儲在方便訪問的知識庫中，為相關(guān)領(lǐng)域的科研工作者提供查詢，預(yù)測，知識發(fā)現(xiàn)的服務(wù)。
　　本文研究了從大量生物文本中抽取特定生物實體關(guān)

2、系的方法，并根據(jù)抽取的生物實體關(guān)系構(gòu)建了一個知識庫。主要的研究可分為兩個部分，一個是生物實體關(guān)系抽取，另外一個是生物實體關(guān)系知識庫的構(gòu)建。在第一部分，首先從MEDLINE文獻數(shù)據(jù)庫下載最近五年的相關(guān)文獻，經(jīng)過了去除標(biāo)記，分詞分句，篩選文本，句法分析等預(yù)處理過程；然后然后用領(lǐng)域工具識別文本中的相關(guān)實體名稱，我們所研究的生物實體有protein，DNA，RNA，cell line，和cell type五個類別；接著運用自然語言處理技術(shù)實現(xiàn)實

3、體之間關(guān)系的抽取。第二部分的知識庫構(gòu)建階段，主要采用了相關(guān)的Web數(shù)據(jù)庫開發(fā)技術(shù)。知識庫系統(tǒng)架構(gòu)采用B/S結(jié)構(gòu)，使用MyEclipse作為開發(fā)平臺，后臺數(shù)據(jù)庫使用開源的MySQL。在Web頁面開發(fā)中選擇了JSP動態(tài)網(wǎng)頁技術(shù)。知識庫的功能包括：實體關(guān)系的查詢以及它們的文本證據(jù)的檢索，相關(guān)的統(tǒng)計信息等。
　　本文運用自然語言處理技術(shù)和Web數(shù)據(jù)庫開發(fā)技術(shù)完成了從大量生物文獻中抽取生物實體關(guān)系并構(gòu)建了一個語義關(guān)系知識庫。該知識庫可以為相