基于SVMs蛋白質(zhì)交互作用關(guān)系抽取.pdf

1、從生物醫(yī)學(xué)文獻(xiàn)中抽取蛋白質(zhì)交互作用關(guān)系是二十一世紀(jì)生物醫(yī)學(xué)領(lǐng)域研究的熱點(diǎn)內(nèi)容之一，研究并實(shí)現(xiàn)有效的蛋白質(zhì)交互作用關(guān)系抽取方法是本文的主要研究?jī)?nèi)容。本文在深入研究現(xiàn)有蛋白質(zhì)交互作用關(guān)系抽取方法的基礎(chǔ)上，建立了一種基于支持向量機(jī)(SVM)的蛋白質(zhì)交互關(guān)系抽取模型，并針對(duì)SVM模型在分類(lèi)超平面分類(lèi)精度不高和實(shí)驗(yàn)語(yǔ)料中正負(fù)例數(shù)據(jù)不平衡的問(wèn)題，提出了三種不同的改進(jìn)模型：
　　 (1)SVM與互信息(Mutual Information，M

2、I)組合模型。通過(guò)對(duì)SVM模型的分類(lèi)結(jié)果進(jìn)行分析后發(fā)現(xiàn)，SVM和其它統(tǒng)計(jì)分類(lèi)模型一樣，出錯(cuò)樣本點(diǎn)多數(shù)集中在分類(lèi)超平面附近。在SVM和互信息組合算法中，對(duì)于分類(lèi)超平面附近的樣本點(diǎn)通過(guò)計(jì)算樣本點(diǎn)的互信息，然后根據(jù)互信息的值進(jìn)行分類(lèi)，對(duì)于距離分類(lèi)超平面較遠(yuǎn)的樣本仍然使用SVM模型分類(lèi)。
　　 (2)修正的SVM-KNN(K Nearest Neighbor，KNN)組合模型。在特征空間中計(jì)算測(cè)試樣本到SVM最優(yōu)分類(lèi)超平面的距離，當(dāng)該距

3、離大于給定的閾值時(shí)，使用SVM模型的分類(lèi)結(jié)果作為樣本的最終分類(lèi)結(jié)果，否則使用修正KNN方法對(duì)樣本進(jìn)行分類(lèi)，這時(shí)，特征空間中所有的點(diǎn)都作為參考點(diǎn)，計(jì)算待分類(lèi)樣板到所有參考點(diǎn)的歐式距離，然后將得到的距離排序，找到距離待分類(lèi)樣本點(diǎn)最近的K個(gè)參考點(diǎn)，看這K個(gè)參考點(diǎn)的多數(shù)點(diǎn)屬于哪一類(lèi)，就將該樣本分為哪一類(lèi)。根據(jù)樣本在特征空間中的不同分布使用不同的方法對(duì)SVM模型的分類(lèi)性能進(jìn)行優(yōu)化。
　　 (3)修正SVM-KNN與互信息組合模型。SVM與

4、互信息組合模型、修正的SVM-KNN模型都取得了不錯(cuò)的效果，因此本文也嘗試將修正的SVM-KNN模型與互信息相結(jié)合。結(jié)合的方法是通過(guò)將得到的互信息值作為SVM模型的一個(gè)特征進(jìn)行訓(xùn)練，然后結(jié)合SVM和修正的KNN算法來(lái)構(gòu)造新的二值分類(lèi)器。對(duì)于分類(lèi)超平面附近的樣本采用修正KNN算法進(jìn)行分類(lèi)，對(duì)距分類(lèi)超平面較遠(yuǎn)的樣本點(diǎn)仍然使用SVM模型進(jìn)行分類(lèi)。
　　 本文先對(duì)語(yǔ)料進(jìn)行預(yù)處理，抽取特征，并將抽取的特征轉(zhuǎn)換為二進(jìn)制特征向量，并在此基礎(chǔ)上