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

1、國內(nèi)圖書分類號：TP391.2國際圖書分類號：681.37工學(xué)博士學(xué)位論文基于判別式模型的生物醫(yī)學(xué)文本挖掘相關(guān)問題研究博士研究生：孫承杰導(dǎo)師：王曉龍教授申請學(xué)位：工學(xué)博士學(xué)科、專業(yè)：計算機應(yīng)用技術(shù)所在單位：計算機科學(xué)與技術(shù)學(xué)院答辯日期：2008年10月授予學(xué)位單位：哈爾濱工業(yè)大學(xué)摘要摘要隨著計算技術(shù)和生物技術(shù)的進步，當(dāng)前生物醫(yī)學(xué)文獻正在以前所未有的速度增長。這些文獻中蘊含著最新的研究進展和豐富的生物醫(yī)學(xué)知識，對于生物醫(yī)學(xué)研究者具有重要意

2、義。然而數(shù)以千萬計的文獻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)研究者提高從文獻中獲取知識和信息的效率。因此針對生物醫(yī)學(xué)文獻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)測目標變量的發(fā)生概率的機器學(xué)習(xí)模型，本文中主要用到的判別式模型有最大熵模型和條件隨機域模型。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

3、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)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，它是進行深層次文本挖掘的必要步驟之一。本

4、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域模型結(jié)合豐富特征集來進行生物醫(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域模型中，同時用來進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)督的機器學(xué)習(xí)方法需要大規(guī)模的標注語料。大量的電子文獻使得在生物醫(yī)學(xué)領(lǐng)域獲取未標記的語