基于半監(jiān)督學習和領(lǐng)域知識的生物事件抽取.pdf

1、近年來，隨著生物科技的飛速發(fā)展，大量的生物學發(fā)現(xiàn)以論文的形式記錄下來，并保存在MEDLINE文獻數(shù)據(jù)庫中。由于MEDLINE文獻數(shù)據(jù)庫以海量速度增長，人們希望計算機能夠自動地挖掘出文本中的生物事件信息，供生物學家了解最新的發(fā)現(xiàn)。為此，涌現(xiàn)出了各種各樣的生物事件抽取方法。生物事件抽取是一項復雜的工作。目前，多數(shù)生物事件抽取的方法采用管道(pipeline)形式，主要包括事件觸發(fā)詞的識別和事件元素的抽取兩個部分。
　　考慮到大部分生物

2、事件抽取方法基于機器學習技術(shù)，普遍存在訓練數(shù)據(jù)不足的瓶頸，論文提出了基于半監(jiān)督學習和領(lǐng)域知識的生物事件抽取，主要研究內(nèi)容包括:(1)針對生物事件觸發(fā)詞識別環(huán)節(jié)，考慮到句子中單詞是否是事件觸發(fā)詞由單詞本身和上下文語境共同決定，通過引入領(lǐng)域知識重新獲取單詞表征(word representation)，進而訓練新的事件觸發(fā)詞分類器，以提高事件觸發(fā)詞的識別效果。(2)考慮到訓練數(shù)據(jù)集本身正樣本不足，引入基于新的句子相似度算法的半監(jiān)督學習方法，

3、增加訓練集的正樣本數(shù)目，以提高事件觸發(fā)詞識別和簡單事件抽取效果。
　　論文的主要貢獻有:(1)率先將神經(jīng)語言模型引入到生物事件觸發(fā)詞識別問題中，將領(lǐng)域知識通過神經(jīng)語言模型轉(zhuǎn)化為新的單詞表征，并結(jié)合單詞的上下文語境特征，通過多核學習(multi-kernel learning)，獲取新的生物事件觸發(fā)詞分類器。該方法應用在MLEE文本集上。實驗結(jié)果表明，與單純依靠單詞以及上下文語境的方法相比，引入領(lǐng)域知識有效的提高了生物事件觸發(fā)詞的識

4、別性能，F(xiàn)-measure值提高了2.5％。(2)提出了基于LDA主題模型和樹核算法的句子相似度比較算法，并應用到半監(jiān)督學習中，進而從MEDLINE數(shù)據(jù)集中引入新的訓練樣本。將該方法應用到MLEE文本集上，實驗結(jié)果表明，通過基于新的句子相似度算法的半監(jiān)督學習，無論是事件觸發(fā)詞識別和是簡單事件抽取的性能都得到了提升。
　　論文共四章。第一章介紹了研究背景與意義，主要研究目標以及內(nèi)容。第二章介紹了神經(jīng)語言模型，并在此基礎(chǔ)之上，引入領(lǐng)域