基于判別式模型的蛋白質(zhì)互作用文本挖掘技術(shù)研究.pdf

1、蛋白質(zhì)互作用描述了蛋白質(zhì)間的相互作用關(guān)系，對(duì)于生物醫(yī)學(xué)具有重要的理論和應(yīng)用價(jià)值。隨著生物醫(yī)學(xué)的發(fā)展，人工從文獻(xiàn)中獲取蛋白質(zhì)互作用信息已不能適應(yīng)生物文獻(xiàn)數(shù)量迅速增長(zhǎng)的需要。文本挖掘技術(shù)能自動(dòng)地從文本中發(fā)現(xiàn)知識(shí)，因而在蛋白質(zhì)互作用信息提取任務(wù)中得到了廣泛的應(yīng)用。傳統(tǒng)的方法在蛋白質(zhì)命名實(shí)體識(shí)別和互作用抽取性能上難以滿足實(shí)際需要，此外對(duì)標(biāo)注語(yǔ)料的依賴制約了算法的性能。為了解決這些問(wèn)題，以機(jī)器學(xué)習(xí)中的判別式模型為理論基礎(chǔ)，論文研究工作包括蛋白質(zhì)命

2、名實(shí)體識(shí)別和蛋白質(zhì)互作用信息抽取兩個(gè)任務(wù)。
　　本文主要原創(chuàng)性工作包括以下四個(gè)方面：
　　1.提出了一種基于條件隨機(jī)域模型，并結(jié)合特征選擇和后處理的蛋白質(zhì)命名實(shí)體識(shí)別方法。該方法在提取蛋白質(zhì)命名實(shí)體特征的基礎(chǔ)上，對(duì)傳統(tǒng)的詞特征方法進(jìn)行擴(kuò)展。增加的模塊包括：基于信息增益的特征選擇，及后處理階段采用的基于詞性分析的邊界規(guī)則和單詞過(guò)濾方法。實(shí)驗(yàn)表明，與傳統(tǒng)方法相比，該方法能夠更好地適應(yīng)于具有復(fù)雜定義模式的命名實(shí)體識(shí)別任務(wù)。

3、　　2.提出了一種基于模型融合的蛋白質(zhì)互作用信息抽取模型?；诩?jí)連法的思想，將模式匹配的結(jié)果作為特征融合到詞特征方法中，使得模型兼具模式學(xué)習(xí)和詞特征方法的優(yōu)點(diǎn)。在模式學(xué)習(xí)中，對(duì)單模式評(píng)價(jià)的方法進(jìn)行改進(jìn)，并提出基于性能增益的模式評(píng)價(jià)的方法，能夠有效地去除性能低下的模式和冗余模式。實(shí)驗(yàn)表明，與單個(gè)方法相比，該方法能夠顯著提高分類性能，且具有更為均衡的準(zhǔn)確率和召回率。
　　3.提出了一種融合淺層句法分析的蛋白質(zhì)互作用信息抽取方法。生物文

4、本中復(fù)雜的語(yǔ)法結(jié)構(gòu)導(dǎo)致信息抽取性能低下。本方法在信息抽取前，對(duì)輸入句子集合進(jìn)行語(yǔ)塊劃分、同位語(yǔ)分析、并列結(jié)構(gòu)分析、從句分析的處理，從而將待分類的蛋白質(zhì)對(duì)的實(shí)例劃分到不同的語(yǔ)法單位中。語(yǔ)法單位的劃分能夠限定蛋白質(zhì)對(duì)的搜索范圍，提高分類的準(zhǔn)確性。實(shí)驗(yàn)表明，與傳統(tǒng)基于機(jī)器學(xué)習(xí)的方法相比，該方法能顯著提升F1值10％以上。
　　4.將基于詞特征的方法和自動(dòng)模式學(xué)習(xí)方法進(jìn)行聯(lián)合訓(xùn)練，并提出一種基于k-最近鄰算法(kNN)的實(shí)例自動(dòng)標(biāo)注方法。