生物醫(yī)學(xué)文獻(xiàn)中命名實(shí)體的識別.pdf

1、生物命名實(shí)體識別是生物醫(yī)學(xué)文本挖掘的關(guān)鍵步驟，只有正確地識別出生物命名實(shí)體，才能有效地完成基因(蛋白質(zhì))標(biāo)準(zhǔn)化和蛋白質(zhì)-蛋白質(zhì)相互關(guān)系抽取等更加復(fù)雜的工作。然而，由于生物命名實(shí)體命名的不規(guī)則性和歧義性，生物命名實(shí)體識別一直是一項(xiàng)富有挑戰(zhàn)性的任務(wù)。
　　 本文主要研究生物醫(yī)學(xué)英文文獻(xiàn)中命名實(shí)體的識別問題，實(shí)驗(yàn)中采用的語料包括JNLPBA2004和BioCreAtIvE2 GM兩種。
　　 本文的主要貢獻(xiàn)包括以下兩點(diǎn)：

2、>　　 (1)提出了一種基于條件隨機(jī)域(Conditional Random Fields，CRF)的兩階段生物命名實(shí)體識別方法。該方法將JNLPBA2004任務(wù)分為識別和分類兩個(gè)子任務(wù)，并將這兩個(gè)子任務(wù)分兩階段來完成：在第一階段，即識別階段，使用CRF模型將文本中所有潛在的生物命名實(shí)體全部標(biāo)記出來，但是不區(qū)分類別；在第二階段，即分類階段，用另一個(gè)CRF模型對己識別的實(shí)體進(jìn)行分類。為進(jìn)一步提高系統(tǒng)的識別性能，本文還在分類階段之前加入了

3、四個(gè)后續(xù)處理算法。實(shí)驗(yàn)結(jié)果表明，采用本文提出的方法進(jìn)行生物命名實(shí)體識別不僅能有效縮短模型的訓(xùn)練時(shí)間，還能進(jìn)一步提高系統(tǒng)的識別性能，該方法在JNLPBA2004語料上取得了74.47％的F1評測值，比JNLPBA2004競賽的第一名高1.92％。
　　 (2)針對BioCreAtIvE2 GM任務(wù)，本文提出了一種基于多模型整合的生物命名實(shí)體識別方法。該方法首先采用不同的機(jī)器學(xué)習(xí)算法和特征集訓(xùn)練了六個(gè)有差別的機(jī)器學(xué)習(xí)模型，然后使用簡