基于統(tǒng)計學習的生物醫(yī)學文本信息抽取方法研究.pdf

1、生物醫(yī)學文本信息抽取是生物醫(yī)學研究中不可缺少的環(huán)節(jié)，有關生物醫(yī)學的最新信息大部分以文獻的形式存在，隨著統(tǒng)計學習技術和自然語言處理技術的發(fā)展，采用歸納統(tǒng)計的方法從文本中發(fā)現(xiàn)知識已經(jīng)成為可能。因此采用信息抽取技術從生物醫(yī)學文獻發(fā)現(xiàn)生物醫(yī)學知識是急需和有效的方法。
　　近年來生物醫(yī)學文本信息抽取已經(jīng)取得了一定的成果，但是與新聞領域同類工作相比，平均性能相差近20個百分點。生物醫(yī)學領域的文本信息抽取任務很富有挑戰(zhàn)性，主要是由生物醫(yī)學領域文

2、本的特點決定的。目前現(xiàn)有成果距離真正實用還有一定距離，其中最主要的問題就是識別的精確率和召回率還有待提高，尚不能滿足實用化的要求。本文以提高生物醫(yī)學文本信息抽取的性能作為目標，尋求新的識別策略，為推進生物醫(yī)學文本信息抽取的實用化做出貢獻。本文研究從如下幾個方面展開：
　　1．研究了基于單分類器的生物醫(yī)學命名實體識別方法。該方法針對生物醫(yī)學命名實體特點選擇了豐富有效的特征集合，包括局部特征、全文特征和外部資源特征，提高了學習模型的學

3、習性能。為了進一步提高系統(tǒng)的性能，本文還引入了縮寫詞識別、嵌套識別、邊界擴展和過濾器等后處理過程，從多方面結合多個策略來提高生物醫(yī)學命名實體的識別性能。
　　2．提出了基于元學習策略的多分類器融合模型，包括同態(tài)元學習模型和異態(tài)元學習模型識別生物醫(yī)學命名實體。同態(tài)元學習模型采用了bag-stacking模型并提出了將基分類器輸出的分類的置信度作為元分類器的輸入的一項特征來提高系統(tǒng)的性能。異態(tài)元學習模型使用兩種元學習策略包括疊加歸納法

4、和級聯(lián)歸納法融合了四種不同的學習模型。實驗結果表明該模型能夠充分利用不同分類器識別能力之間的互補性和相關性以及多個層次的特征來提高整體識別性能。同時，打破了單一學習模型不能覆蓋生物醫(yī)學命名實體的所有特點，只能借助豐富的特征選擇和有效的后處理過程來提高系統(tǒng)性能的局限性，取得了比單分類器更好的識別結果。
　　3．提出了基于多Agent系統(tǒng)學習的生物醫(yī)學命名實體識別方法。探索了將多 Agent系統(tǒng)學習方法引入到生物醫(yī)學命名實體識別中，以

5、提高生物醫(yī)學命名實體的識別性能，包括基于多Agent元學習框架和基于決策共現(xiàn)矩陣的多Agent融合策略，實驗結果證明多 Agent系統(tǒng)學習是一種有效的生物醫(yī)學命名實體的識別方法，其中面向生物醫(yī)學命名實體識別的多 Agent元學習框架解決了語料分配不平衡的問題，提高了小類別和難識別類別的性能。
　　4．研究了基于元學習策略的分類器融合方法在蛋白質相互作用關系識別中的應用。該研究的主要目的是通過分析蛋白質相互作用關系的特點，選擇有效的

6、特征集合，包括淺層語言學特征和深層句法特征，并選擇合適的學習模型來提高蛋白質相互作用關系識別的性能；并在此基礎上提出了基于元學習策略的分類器融合方法，將基于淺層語言學特征模型和基于深層句法特征模型融合在一起，充分利用了基于不同特征模型學習結果之間的互補性和相關性，進一步提高了蛋白質相互作用關系識別的性能。
　　本文主要貢獻在于將多種統(tǒng)計學習方法應用于生物醫(yī)學信息抽取領域，對該領域中命名實體識別任務作了深入探索。提出了結合豐富領域特

7、征、融合多個后處理模塊的基于統(tǒng)計學習的生物醫(yī)學命名實體識別方法；將基于元學習的多分類器融合策略引入生物醫(yī)學命名實體識別研究；將多 Agent系統(tǒng)學習引入到生物醫(yī)學命名實體識別研究；提出了一種融合生物醫(yī)學文本淺層語言學特征和深層句法特征的蛋白質相互作用關系識別方法?？傮w來說，本文在應用統(tǒng)計學習方法進行生物醫(yī)學文本信息抽取方法作了廣泛深入的探索，取得了較好的結果。這些研究對于文本信息處理領域的同類研究具有參考價值。同時，將有助于醫(yī)學研究人員