[發明專利]一種生物文本中蛋白質相互關系的半監督抽取方法

有效

• 申請號: 201310072341.5
• 申請日: 2013-03-07
• 公開（公告）號: CN103136361B
• 公開（公告）日: 2016-11-30
• 發明（設計）人: 陳一飛
• 申請（專利權）人: 陳一飛
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 姚姣陽

1.一種生物文本中蛋白質相互關系的半監督抽取方法，其特征在于，按如下步驟進行：

（1）將已標注蛋白質相互作用信息的生物文本集做為訓練樣本集L⁰，將未標注蛋白質相互作用信息的生物文本集做為未標注樣本集U⁰，將所述訓練樣本集L⁰和所述未標注樣本集U⁰輸入預處理器，依次分別進行蛋白質命名實體識別、分句處理和指代消解處理，生成預處理過的文本集；

（2）在步驟（1）中的預處理過的訓練樣本集L⁰中提取候選蛋白質作用對；

（3）在候選蛋白質作用對與其存在的句子和全文的基礎上提取SSW-SVMs分類模型需要的特征集F=(f₁,f₂......,f_n)，對特征集F的特征值通過半監督學習方法進行基于信息強度的加權：，式中：其中M為預定義的類別總數，C為預定義的類別；

（4）基于信息強度加權的特征值訓練SSW-SVMs分類模型，并對未標注樣本集U⁰進行標注，利用主動學習方法選擇標注后的U⁰樣本，將最有價值的生物文本加入到樣本標注集S，更新訓練樣本集更新未標注樣本集U¹=U⁰/S，用更新后的訓練樣本集L¹和未標注樣本集U¹重復步驟（3）-（5），對分類過程進行迭代，直到收斂。

2.根據權利要求1所述的一種生物文本中蛋白質相互關系的半監督抽取方法，其特征在于，步驟（4）中利用主動學習方法選擇樣本的方法為：

（1）利用5折疊的交叉驗證方法訓練SSW-SVMs模型，并在每次交叉驗證中得到未標注樣本集U⁰中樣本x_u的分類標號，x_u屬于類別i的概率為P(y_i|x_u)，其中，yi是對樣本xu的分類標號；

則樣本x_u的最優標號為：其中，y_i是對樣本xu的分類標號，Y為y_i的取值范圍，y_optimal是樣本x_u的最優分類標號；

（2）根據樣本x_u到當前SSW-SVMs分類面的距離對樣本進行采樣，最靠近分類面的樣本被認為是最具信息量的，計算x_u到當前SVM分類面的距離作為位置信息Position(x_u)；

（3）將樣本集U⁰中符合下列樣本選擇條件的樣本x_u添加到樣本集S中：p(y_optimal|x_u)≥threshold&Position(x_u)<distance，其中，threshold是最優分類樣本選取的閾值，distance是位置參數閾值。