[發(fā)明專利]不平衡數(shù)據(jù)集上生物醫(yī)學(xué)多參事件抽取的新方法

有效

• 申請?zhí)枺?/td>: 201611138305.4
• 申請日: 2016-12-12
• 公開（公告）號: CN106777957B
• 公開（公告）日: 2019-07-30
• 發(fā)明（設(shè)計）人: 盧奕南;路揚;馬小蕾;潘航宇;閆雪
• 申請（專利權(quán)）人: 吉林大學(xué)
• 主分類號: G16H50/70
• 分類號: G16H50/70;G06F17/27;G06K9/62
• 代理公司: 長春市恒譽專利代理事務(wù)所(普通合伙) 22212
• 代理人: 鞠傳龍

本發(fā)明公開了一種不平衡數(shù)據(jù)集上生物醫(yī)學(xué)多參事件抽取的新方法，步驟如下：第一部分：步驟1：獲取序列庫；步驟2：構(gòu)造序列數(shù)據(jù)庫S；步驟3：給定最小支持度閾值；步驟4：判斷序列個數(shù)；第二部分：步驟1：在選擇的樣本集上提取四類特征；步驟2：得到多類別的分類器；第三部分：步驟1：計算相似度；步驟2：計算觸發(fā)詞重要度步驟3：合并重要度和相似度Sim(t_i，a_j，a_k)得到聯(lián)合評分Score(t_i，a_j，a_k)；步驟4：給定閾值δ。有益效果：采用數(shù)據(jù)挖掘和自然語言處理技術(shù)，方法靈活，易于實現(xiàn)，可達到很高的準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種生物醫(yī)學(xué)多參事件抽取的新方法，特別涉及一種不平衡數(shù)據(jù)集上生物醫(yī)學(xué)多參事件抽取的新方法。

背景技術(shù)

當(dāng)前，生物醫(yī)學(xué)文獻提供了豐富的科學(xué)知識來源，由于非結(jié)構(gòu)化或半結(jié)構(gòu)化的生物醫(yī)學(xué)文獻的快速增長，科研工作者需要大量的精力和時間來獲得相關(guān)的科學(xué)知識。自動抽取生物醫(yī)學(xué)事件可以應(yīng)用到許多生物醫(yī)學(xué)領(lǐng)域。在事件抽取任務(wù)中，基于規(guī)則的方法和基于機器學(xué)習(xí)的方法是目前主要的方法。基于規(guī)則的方法同生物醫(yī)學(xué)關(guān)系抽取中基于模式的方法類似，手工定義句法規(guī)則，然后在訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)得到規(guī)則，從而抽取出事件。基于機器學(xué)習(xí)的方法把抽取任務(wù)看成是分類問題。以上這些方法很少提及到的一個問題就是訓(xùn)練數(shù)據(jù)是高度不平衡的，負(fù)樣本的數(shù)目遠(yuǎn)低于正樣本的數(shù)目；而且大多數(shù)的多參事件抽取方法都遵循管道模型，在對抽取的基礎(chǔ)上，進一步抽取多元關(guān)系，這樣容易造成級聯(lián)錯誤。這種方法直接抽取多元關(guān)系的方法，對樣本進行過濾平衡訓(xùn)練的正負(fù)樣本，得到用于分類的有意義的樣本集；以及采用聯(lián)合評分機制對預(yù)測結(jié)果進行修正，可提高預(yù)測的精度。

發(fā)明內(nèi)容

本發(fā)明的目的是為了在高度不平衡的生物醫(yī)學(xué)文獻上進行精確的生物醫(yī)學(xué)多參事件的自動抽取，而提供的一種不平衡數(shù)據(jù)集上生物醫(yī)學(xué)多參事件抽取的新方法。

本發(fā)明提供的不平衡數(shù)據(jù)集上生物醫(yī)學(xué)多參事件抽取的新方法，其具體方法如下所述：

所需條件：生物文獻的語料庫，nltk、nltk.org分詞和分句工具以及生物醫(yī)學(xué)依存路徑分析工具以及抽取模型特征系統(tǒng)；待檢測的生物醫(yī)學(xué)文本，普通PC機；

實現(xiàn)步驟如下：

第一部分：通過對生物文獻語料庫進行預(yù)處理，獲取多參數(shù)事件的特征，以及采用序列模式的方法平衡訓(xùn)練的正負(fù)樣本，從而得到用于分類的有意義的樣本集，具體步驟如下：

步驟1：開始，對給定的語料庫進行分詞、分句、詞性標(biāo)注和路徑依存分析獲取序列庫；

步驟2：定義句子中的候選觸發(fā)詞集，它們來源于觸發(fā)詞字典，而蛋白質(zhì)和觸發(fā)詞構(gòu)成參數(shù)集，蛋白質(zhì)來源于蛋白質(zhì)字典，這樣生成候選觸發(fā)詞和各個參數(shù)形成的對集，將這些對集所包含的依存路徑中的關(guān)鍵字構(gòu)造序列數(shù)據(jù)庫S；

步驟3：給定最小支持度閾值，利用序列模式算法在生成的序列庫S中挖掘出頻繁的規(guī)則或者模式；

步驟4：對無標(biāo)簽的樣本判斷其依存路徑是否包含頻繁模式序列個數(shù)，即大于給定的閾值，否則將其過濾并去掉一些負(fù)樣本；

第二部分：在選擇的樣本特征集上訓(xùn)練得到基于支持向量機的預(yù)測模型，具體步驟如下：

步驟1：在選擇的樣本集上提取四類特征，包括Token特征、句子特征、詞袋特征和外部資源特征；

步驟2：應(yīng)用支持向量機方法進行訓(xùn)練得到多類別的分類模型；