基于WEB的生物醫(yī)學(xué)文獻(xiàn)挖掘.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，可從網(wǎng)絡(luò)上獲得的知識(shí)和信息量呈現(xiàn)爆炸性增長(zhǎng)。同樣，網(wǎng)絡(luò)上生物醫(yī)學(xué)領(lǐng)域的專業(yè)文獻(xiàn)等資料數(shù)據(jù)的數(shù)量也迅速擴(kuò)展。另一方面，網(wǎng)絡(luò)上的知識(shí)和信息還具有結(jié)構(gòu)多樣化、可能重復(fù)出現(xiàn)等特點(diǎn)，致使研究人員從網(wǎng)絡(luò)上準(zhǔn)確而全面地獲得所需要的特定知識(shí)越發(fā)困難。搜索引擎是用于在網(wǎng)上檢索特定信息的有效工具。經(jīng)典的搜索引擎一般利用關(guān)鍵詞匹配（如Google等）或主題詞檢索（如PubMed等）技術(shù)來檢索特定文獻(xiàn)等信息，對(duì)被檢索文獻(xiàn)的內(nèi)容和所關(guān)注主

2、題的符合程度考慮不多，因而無法高效地查準(zhǔn)和查全所需文獻(xiàn)。針對(duì)經(jīng)典搜索引擎的這個(gè)局限性，本文研究了一種新的基于WEB文獻(xiàn)檢索的策略和方法:以被檢索文獻(xiàn)的摘要內(nèi)容和所關(guān)注主題的符合程度為依據(jù)，運(yùn)用數(shù)據(jù)挖掘技術(shù)構(gòu)建檢索模型，從而提高了檢索的性能和效率。本文研究?jī)?nèi)容如下:
　　 1，確定某一個(gè)關(guān)注的主題（本文以“非遺傳編碼堿基對(duì)”為例）。以目前網(wǎng)上最大的生物醫(yī)學(xué)文摘庫PubMed為信息源。利用醫(yī)學(xué)主題詞從PubMed獲取相關(guān)文獻(xiàn)，建立相

3、關(guān)文獻(xiàn)數(shù)據(jù)集。并從這些文獻(xiàn)所屬期刊中隨機(jī)抽取相同數(shù)量的其他文獻(xiàn)建立不相關(guān)文獻(xiàn)數(shù)據(jù)集。下載這些文獻(xiàn)的摘要并進(jìn)行預(yù)處理，建立訓(xùn)練樣本集和測(cè)試樣本集。
　　 2，研究了兩種降維方法，即:泊松概率降維和TF×IDF降維。對(duì)原始數(shù)據(jù)降維后，能有效提高數(shù)據(jù)挖掘模型的性能和效率。
　　 3，研究了兩種不同的數(shù)據(jù)挖掘模型，即貝葉斯概率模型和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。
　　 4，以查全率、查準(zhǔn)率、靈敏度、特異度、準(zhǔn)確率和ROC曲線下面積等

4、參數(shù)為指標(biāo)，分析和比較了所建模型的性能，并同關(guān)鍵詞檢索方法進(jìn)行對(duì)比。結(jié)果表明:“基于TF×IDF降維的貝葉斯概率模型”的檢索性能優(yōu)于其他模型及經(jīng)典的關(guān)鍵詞匹配檢索方法，達(dá)到:AUC為0.8683，特異度為84.58％，靈敏度為89.03％，準(zhǔn)確率為86.83％，查準(zhǔn)率為85.28％，查全率為89.03％。檢索效率達(dá)到每小時(shí)80萬篇。
　　 5，另行確定一個(gè)關(guān)注的主題（本文以臨床醫(yī)學(xué)中的“糖尿病的飲食療法”為例）。以上述建立的“基

5、于TF×IDF降維的貝葉斯概率模型”方法檢索相關(guān)文獻(xiàn)，并將檢索結(jié)果與關(guān)鍵詞匹配檢索法比較。結(jié)果表明本文方法的性能更優(yōu)。說明:本文建立的方法的性能與主題本身無關(guān)，故具有推廣的適用性。
　　 結(jié)論:本研究通過采用醫(yī)學(xué)主題詞方法從PubMed網(wǎng)站下載相關(guān)數(shù)據(jù)，將下載數(shù)據(jù)處理后，利用Lucene工具對(duì)下載的數(shù)據(jù)進(jìn)行分詞構(gòu)建樣本。將分出的單詞作為特征項(xiàng)，分別應(yīng)用泊松概率和TF×IDF方法進(jìn)行降維，然后建立數(shù)據(jù)挖掘模型。比較不同模型和關(guān)鍵詞