基于SVMs蛋白質(zhì)交互作用關(guān)系抽取.pdf

1、從生物醫(yī)學(xué)文獻(xiàn)中抽取蛋白質(zhì)交互作用關(guān)系是二十一世紀(jì)生物醫(yī)學(xué)領(lǐng)域研究的熱點內(nèi)容之一，研究并實現(xiàn)有效的蛋白質(zhì)交互作用關(guān)系抽取方法是本文的主要研究內(nèi)容。本文在深入研究現(xiàn)有蛋白質(zhì)交互作用關(guān)系抽取方法的基礎(chǔ)上，建立了一種基于支持向量機(jī)(SVM)的蛋白質(zhì)交互關(guān)系抽取模型，并針對SVM模型在分類超平面分類精度不高和實驗語料中正負(fù)例數(shù)據(jù)不平衡的問題，提出了三種不同的改進(jìn)模型：
　　 (1)SVM與互信息(Mutual Information，M

2、I)組合模型。通過對SVM模型的分類結(jié)果進(jìn)行分析后發(fā)現(xiàn)，SVM和其它統(tǒng)計分類模型一樣，出錯樣本點多數(shù)集中在分類超平面附近。在SVM和互信息組合算法中，對于分類超平面附近的樣本點通過計算樣本點的互信息，然后根據(jù)互信息的值進(jìn)行分類，對于距離分類超平面較遠(yuǎn)的樣本仍然使用SVM模型分類。
　　 (2)修正的SVM-KNN(K Nearest Neighbor，KNN)組合模型。在特征空間中計算測試樣本到SVM最優(yōu)分類超平面的距離，當(dāng)該距

3、離大于給定的閾值時，使用SVM模型的分類結(jié)果作為樣本的最終分類結(jié)果，否則使用修正KNN方法對樣本進(jìn)行分類，這時，特征空間中所有的點都作為參考點，計算待分類樣板到所有參考點的歐式距離，然后將得到的距離排序，找到距離待分類樣本點最近的K個參考點，看這K個參考點的多數(shù)點屬于哪一類，就將該樣本分為哪一類。根據(jù)樣本在特征空間中的不同分布使用不同的方法對SVM模型的分類性能進(jìn)行優(yōu)化。
　　 (3)修正SVM-KNN與互信息組合模型。SVM與

4、互信息組合模型、修正的SVM-KNN模型都取得了不錯的效果，因此本文也嘗試將修正的SVM-KNN模型與互信息相結(jié)合。結(jié)合的方法是通過將得到的互信息值作為SVM模型的一個特征進(jìn)行訓(xùn)練，然后結(jié)合SVM和修正的KNN算法來構(gòu)造新的二值分類器。對于分類超平面附近的樣本采用修正KNN算法進(jìn)行分類，對距分類超平面較遠(yuǎn)的樣本點仍然使用SVM模型進(jìn)行分類。
　　 本文先對語料進(jìn)行預(yù)處理，抽取特征，并將抽取的特征轉(zhuǎn)換為二進(jìn)制特征向量，并在此基礎(chǔ)上