面向生物醫(yī)學(xué)領(lǐng)域的文本挖掘技術(shù)研究.pdf

1、當(dāng)前，出版的生物醫(yī)學(xué)文獻(xiàn)呈指數(shù)級(jí)增長(zhǎng)，成為一座巨大的知識(shí)寶庫(kù)。由于生物醫(yī)學(xué)文獻(xiàn)絕大多數(shù)都是以文本方式存在，從這座寶庫(kù)快速有效地進(jìn)行文本挖掘，提取生物醫(yī)學(xué)知識(shí)的需求變得非常迫切。生物醫(yī)學(xué)文本挖掘主要依賴(lài)于自然語(yǔ)言處理技術(shù)和機(jī)器學(xué)習(xí)方法從海量生物醫(yī)學(xué)文獻(xiàn)中有效地找到所需信息、發(fā)現(xiàn)隱藏的生物醫(yī)學(xué)知識(shí)。 本文首先介紹了文本挖掘技術(shù)及其應(yīng)用，接著介紹了生物醫(yī)學(xué)領(lǐng)域文本挖掘技術(shù)的當(dāng)前研究現(xiàn)狀以及本人在該領(lǐng)域所作的相關(guān)研究。 本文提出

2、了一個(gè)基于改進(jìn)編輯距離算法的生物實(shí)體識(shí)別方法，這是一種基于詞典的方法：通過(guò)改進(jìn)編輯距離算法提高識(shí)別的召回率，并采用POS擴(kuò)展、利用上下文線索等語(yǔ)言知識(shí)以及前后綴詞擴(kuò)展、合并鄰近實(shí)體等規(guī)則進(jìn)一步提高性能。在JNLPBA2004測(cè)評(píng)語(yǔ)料上的實(shí)驗(yàn)表明其性能遠(yuǎn)遠(yuǎn)高于基于字符串完全匹配的詞典方法(綜合分類(lèi)率F分別為68.48％和47.7％)。 當(dāng)前流行的機(jī)器學(xué)習(xí)方法的生物實(shí)體識(shí)別性能還有很大的提升空間，本文提出了一個(gè)基于條件隨機(jī)域(CRF

3、s)與上下文線索的生物實(shí)體識(shí)別方法。該方法首先選取合適特征，使用條件隨機(jī)域進(jìn)行生物實(shí)體識(shí)別；同時(shí)充分利用語(yǔ)言學(xué)的知識(shí)，使用上下文中存在的三種啟發(fā)式語(yǔ)法結(jié)構(gòu)(上下文線索)：括號(hào)對(duì)、啟發(fā)式語(yǔ)法結(jié)構(gòu)和交互詞提示，根據(jù)其提供的實(shí)體及其類(lèi)別信息進(jìn)一步提高識(shí)別性能。在JNLPBA2004和BioCreative2004task lA測(cè)評(píng)語(yǔ)料上的實(shí)驗(yàn)結(jié)果表明上下文線索的引入提高了性能三個(gè)百分點(diǎn)左右。 從生物醫(yī)學(xué)文獻(xiàn)中抽取蛋白質(zhì)交互作用關(guān)系對(duì)蛋

4、白質(zhì)知識(shí)網(wǎng)絡(luò)的建立、蛋白質(zhì)關(guān)系的預(yù)測(cè)、新藥的研制等均具有重要的意義?；谧匀徽Z(yǔ)言處理的系統(tǒng)通過(guò)分析語(yǔ)法結(jié)構(gòu)進(jìn)行關(guān)系抽取，能獲得較高的準(zhǔn)確性。本文提出了一個(gè)基于鏈接語(yǔ)法分析的蛋白質(zhì)(基因)交互作用關(guān)系的抽取方法。該方法使用條件隨機(jī)域(CRFs)與上下文線索結(jié)合的生物實(shí)體識(shí)別方法，再通過(guò)鏈接語(yǔ)法分析劃分語(yǔ)法成分，從語(yǔ)法成分及其合理組合中抽取蛋白質(zhì)(基因)交互作用關(guān)系。實(shí)驗(yàn)結(jié)果表明該方法的召回率以及綜合分類(lèi)率F指標(biāo)都高于使用同一測(cè)試語(yǔ)料的其他

5、系統(tǒng)。 基于機(jī)器學(xué)習(xí)和統(tǒng)計(jì)的方法可以獲得較高的召回率，本文提出了一種基于支持向量機(jī)(SVM)的蛋白質(zhì)交互作用關(guān)系抽取方法。該方法除了選取詞項(xiàng)特征、關(guān)鍵詞特征、實(shí)體距離特征以及鏈接特征等特征外，還利用鏈接語(yǔ)法分析方法可以獲得較高準(zhǔn)確率的特性，引入鏈接語(yǔ)法分析方法抽取結(jié)果特征，在損失較少關(guān)系抽取召回率性能的情況下，較大地提高了準(zhǔn)確率，從而最終提高了綜合分類(lèi)率。實(shí)驗(yàn)結(jié)果表明該方法的召回率性能與使用同一測(cè)試語(yǔ)料的其他系統(tǒng)相比具有明顯的優(yōu)

6、勢(shì)，綜合分類(lèi)率F指標(biāo)也高于其他系統(tǒng)。海量的生物醫(yī)學(xué)文獻(xiàn)給應(yīng)用文本挖掘技術(shù)進(jìn)行隱含醫(yī)學(xué)知識(shí)發(fā)現(xiàn)提供了前所未有的機(jī)會(huì)。本文提出了一個(gè)生物醫(yī)學(xué)領(lǐng)域的假設(shè)生成方法，該方法對(duì)醫(yī)學(xué)文獻(xiàn)記錄中的醫(yī)學(xué)主題詞MeSH及自由文本中的醫(yī)學(xué)概念同時(shí)進(jìn)行相關(guān)概念提取，彌補(bǔ)了當(dāng)前研究只使用其中一個(gè)的不足。同時(shí)基于UMLS Knowledge Sources，進(jìn)行基于概念的查詢(xún)擴(kuò)展，提高了相關(guān)記錄的召回率，并通過(guò)語(yǔ)義過(guò)濾，降低了搜索空間。通過(guò)驗(yàn)證魚(yú)油與雷諾氏病關(guān)聯(lián)的