[發(fā)明專利]面向句子級生物關(guān)系網(wǎng)絡(luò)抽取的語料庫生成方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201711216700.4
• 申請日: 2017-11-28
• 公開（公告）號: CN107992476B
• 公開（公告）日: 2020-11-24
• 發(fā)明（設(shè)計(jì)）人: 錢龍華;劉加新;劉蘇文;何云琪;袁源;周國棟
• 申請（專利權(quán)）人: 蘇州大學(xué)
• 主分類號: G06F40/211
• 分類號: G06F40/211;G06F40/295
• 代理公司: 蘇州市中南偉業(yè)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32257
• 代理人: 楊慧林;馮瑞

1.一種面向句子級生物關(guān)系網(wǎng)絡(luò)抽取的語料庫生成方法，其特征在于，包括：

S1、根據(jù)已標(biāo)注的關(guān)系網(wǎng)絡(luò)信息，對文本句子進(jìn)行實(shí)體識別和映射；文本句子表征生物醫(yī)學(xué)領(lǐng)域的科學(xué)文獻(xiàn)中的句子，包含一條或多條語句；語句是一種用生物學(xué)表征語言表示的語句，表征生物醫(yī)學(xué)領(lǐng)域的句子級實(shí)體關(guān)系網(wǎng)絡(luò)；

S2、對所述文本句子進(jìn)行依存句法分析，生成依存句法樹，從所述依存句法樹中抽取出包含句子中所有實(shí)體的最小子樹，按照結(jié)點(diǎn)在所述文本句子中的詞序恢復(fù)出對應(yīng)的詞語序列，該詞語序列稱為最短詞語序列；

S3、將所述語句表示成樹形結(jié)構(gòu)，對所述樹形結(jié)構(gòu)進(jìn)行前序遍歷，得到結(jié)點(diǎn)序列；

S4、分析所述詞語序列中的詞和結(jié)點(diǎn)序列中的實(shí)體、功能和關(guān)系之間的對應(yīng)關(guān)系，對最短詞語序列進(jìn)行標(biāo)注，生成關(guān)系網(wǎng)絡(luò)標(biāo)注語料；

S4具體包括：

以最短詞語序列作為源語言的句子，語句的結(jié)點(diǎn)序列作為語言的句子，最短詞語序列和結(jié)點(diǎn)序列對變成了機(jī)器翻譯中的平行句對，構(gòu)成了平行語料；

在平行語料中于寫入實(shí)體→實(shí)體的平行句對，利用機(jī)器翻譯中的詞對齊工具獲取源語言到目標(biāo)語言的詞語對應(yīng)關(guān)系；

從對應(yīng)結(jié)果中提取出最短詞語序列中的詞語和結(jié)點(diǎn)序列中的結(jié)點(diǎn)之間的對應(yīng)關(guān)系；

在語句樹中，采用自底向上的方式逐層次地生成序列標(biāo)注語料，從最底層的實(shí)體結(jié)點(diǎn)開始標(biāo)注，然后標(biāo)注上層的功能結(jié)點(diǎn)，最后標(biāo)注關(guān)系結(jié)點(diǎn)。

2.根據(jù)權(quán)利要求1所述的面向句子級生物關(guān)系網(wǎng)絡(luò)抽取的語料庫生成方法，其特征在于，S1的具體包括：

利用開源工具識別句子中的命名實(shí)體，將這些實(shí)體鏈接到實(shí)體數(shù)據(jù)庫中，得到實(shí)體的標(biāo)識符；

對于工具識別且鏈接成功的條目，在數(shù)據(jù)庫中根據(jù)標(biāo)識符查詢出其標(biāo)準(zhǔn)名稱，再利用該標(biāo)準(zhǔn)名稱和語句中的實(shí)體名稱進(jìn)行匹配，將文本句子中的實(shí)體映射到語句中的實(shí)體。

3.根據(jù)權(quán)利要求1所述的面向句子級生物關(guān)系網(wǎng)絡(luò)抽取的語料庫生成方法，其特征在于，S2具體包括：

利用標(biāo)注數(shù)據(jù)進(jìn)行數(shù)據(jù)訓(xùn)練，得到句法分析器；

基于所述句法分析器對句子進(jìn)行依存句法分析，將結(jié)果表示成樹形結(jié)構(gòu)，得到依存句法樹；

基于所述依存句法樹，找出根結(jié)點(diǎn)到每個實(shí)體結(jié)點(diǎn)的結(jié)點(diǎn)路徑；

從根結(jié)點(diǎn)開始，逐結(jié)點(diǎn)遍歷這些路徑，直至遇到有一條路徑中的某個結(jié)點(diǎn)與其他路徑中的結(jié)點(diǎn)不相同，則該結(jié)點(diǎn)的父結(jié)點(diǎn)即為最低公共祖先結(jié)點(diǎn)；

將該最低公共祖先結(jié)點(diǎn)作為新的根結(jié)點(diǎn)，將從新的根結(jié)點(diǎn)出發(fā)到所有實(shí)體的路徑抽取出，組成一個新的樹，稱為最小子樹；

將所述最小子樹中的結(jié)點(diǎn)按照文本句子中的詞序展開為詞語序列，稱為最短詞語序列。

4.根據(jù)權(quán)利要求1所述的面向句子級生物關(guān)系網(wǎng)絡(luò)抽取的語料庫生成方法，其特征在于，S3具體包括：

將語句中的關(guān)系結(jié)點(diǎn)取出，作為第一個結(jié)點(diǎn)也即根結(jié)點(diǎn)，將語句的左右兩部分分別構(gòu)成根結(jié)點(diǎn)的兩棵子樹；其中，在逐個擴(kuò)展子樹時，將最外層的生物功能作為子樹的根結(jié)點(diǎn)，將該功能所包含的內(nèi)部再作為新的根結(jié)點(diǎn)的子樹，如此遞歸地由外向內(nèi)構(gòu)建，直到最后遇到實(shí)體結(jié)點(diǎn)，則直接將實(shí)體作為葉子結(jié)點(diǎn)，通過這種方式將語句轉(zhuǎn)換成語句樹；

按照前序遍歷的方式獲取樹形結(jié)構(gòu)的序列化表示，稱為語句的結(jié)點(diǎn)序列，其中，在前序遍歷過程中，首先輸出根結(jié)點(diǎn)，然后從左到右遍歷它的所有子樹，在遍歷某個子樹時，仍然先輸出子樹的根結(jié)點(diǎn)，然后遍歷該根結(jié)點(diǎn)的子樹，依次類推，直至輸出所有結(jié)點(diǎn)。