基于非平衡數據的生物文獻分類研究.pdf

1、近幾十年來，生物信息學實驗手段和研究方法的不斷突破和數據存儲技術的快速發(fā)展使得領域內實驗數據及相關研究文獻呈現爆炸式增長。如何從規(guī)模日益增大的網絡數據庫中快速有效的提取感興趣的信息成為生物信息學的一大挑戰(zhàn)。隨著文本挖掘技術的興起，將其應用在生物信息學文獻挖掘領域受到了廣泛的研究與關注。利用文本挖掘技術不僅能從文獻數據中發(fā)現知識從而掌握領域研究現狀，更可以自由構建生物信息數據庫。生物學文獻挖掘系統(tǒng)成為了現代生物學研究工作的重要組成部分。<

2、br>　　在動植物生長過程中，許多重要的經濟性狀都是數量性狀，據此引入了數量性狀座位（Quantitative Trait Locus,QTL）來描述控制數量性狀的基因?，F有針對某個或某些物種的QTL信息數據庫，它們大多均采用人工篩選文獻的方式為這些數據庫搜集信息。針對這些QTL信息數據庫包含信息不完整和更新不及時的問題，本文嘗試將基于機器學習的文本分類方法引入生物信息數據庫構建流程，從大量文獻中挖掘出特定的目標文獻，構建了面向作物QT

3、L定位的文獻自動分類系統(tǒng)。
　　本文的研究對象是大量特定物種的生物學研究文獻，其研究目標是從中分類出與物種QTL定位相關的研究文獻，為構建物種QTL信息數據庫提供原始數據。在研究過程中，為實現對文獻的分類采用了支持向量機來進行文本分類。
　　用于支持向量機學習的實例文獻來源于各個網絡權威生物信息網站，通過網絡爬蟲程序逐級追蹤鏈接將這些文獻信息下載存為文本文檔。針對學習實例來源于不同數據庫，因此可能存在的數據格式的不一致和信息

4、冗余問題，對該數據集進行了多種形式的數據清理工作。本文的待分類文獻數據來源于PubMed數據庫，通過對待分類文獻數據集進行量化分析，得出本文的分類任務具有不均衡數據特性。針對該問題，在文本表示階段，利用本文分類的生物學文獻特性提出了將詞表示和詞組表示相結合的向量構建方法，有效提高了分類精度。在數據層面，對改善不均衡數據對分類器性能影響的多種典型重采樣策略進行了綜合比較，同時結合支持向量機內部各核函數和參數選擇方法進行了細致的實驗，選擇出