[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）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

本發(fā)明涉及一種面向句子級的生物關(guān)系網(wǎng)絡(luò)抽取的語料庫生成方法及系統(tǒng)，為了實現(xiàn)機器學(xué)習(xí)自動完成文本整個標注過程而設(shè)計。本發(fā)明的方法，包括：對文本句子進行實體識別和映射；生成依存句法樹，從依存句法樹中抽取出包含語句中所有實體的最小子樹，按照結(jié)點在文本句子中的詞序恢復(fù)出對應(yīng)的詞語序列，該詞語序列為最短詞語序列；對樹形結(jié)構(gòu)進行前序遍歷，得到結(jié)點序列；分析詞語序列中的詞和結(jié)點序列中的實體、功能和關(guān)系之間的對應(yīng)關(guān)系，對最短詞序列進行標注，生成關(guān)系網(wǎng)絡(luò)標注語料。本發(fā)明操作方法簡單，極大地節(jié)省了人力物力，并能夠推廣到其他領(lǐng)域的關(guān)系網(wǎng)絡(luò)抽取任務(wù)中。

技術(shù)領(lǐng)域

本發(fā)明涉及自然語言處理技術(shù)領(lǐng)域，具體提出了一種面向句子級的生物關(guān)系網(wǎng)絡(luò)抽取語料庫的生成方法及系統(tǒng)。

背景技術(shù)

生物醫(yī)學(xué)領(lǐng)域的關(guān)系網(wǎng)絡(luò)抽取是生物醫(yī)學(xué)文本挖掘領(lǐng)域的一個重要研究方向，其任務(wù)是從生物醫(yī)學(xué)領(lǐng)域的科學(xué)文獻中識別出命名實體及其相應(yīng)功能，并提取出這些實體及功能之間的交互關(guān)系。作為一項應(yīng)用基礎(chǔ)性研究，這些網(wǎng)絡(luò)信息的抽取對生物醫(yī)學(xué)文獻檢索、生物知識網(wǎng)絡(luò)的構(gòu)建和生物體關(guān)系預(yù)測均具有重大的研究意義。

句子級生物關(guān)系網(wǎng)絡(luò)是指單一句子所表達的生物實體及其功能之間的語義關(guān)系所構(gòu)成的網(wǎng)絡(luò)。如圖1中的句子就表示了一個生物關(guān)系網(wǎng)絡(luò)，即對蛋白質(zhì)實體“HGNC:IL2”的催化會顯著提升蛋白質(zhì)實體“HGNC:LYN”和“HGNC:IL2RB”的復(fù)合作用。由于目前的生物關(guān)系網(wǎng)絡(luò)語料是在句子級標注的，并沒有標明關(guān)系網(wǎng)絡(luò)是如何對應(yīng)到句子的文本上的，因此無法直接使用基于機器學(xué)習(xí)的自然語言處理技術(shù)。目前的關(guān)系網(wǎng)絡(luò)抽取方法通常采用模式匹配的方法和事件抽取的方法。基于模式匹配的方法首先從訓(xùn)練語料中總結(jié)出表示實體間關(guān)系網(wǎng)絡(luò)的語言學(xué)模板，然后將這些模板應(yīng)用到新的文獻中，從而提取出相應(yīng)的實體關(guān)系網(wǎng)絡(luò)。其缺點是需要領(lǐng)域?qū)＜襾碓O(shè)計模板，可移植性不強。基于事件抽取的方法首先抽取出事件信息，再將事件信息對應(yīng)到關(guān)系網(wǎng)絡(luò)上，其缺點是這種對應(yīng)關(guān)系往往是不完整的。

鑒于上述的缺陷，本設(shè)計人積極加以研究創(chuàng)新，以期創(chuàng)設(shè)一種面向句子級的生物關(guān)系網(wǎng)絡(luò)抽取語料庫的生成方法及系統(tǒng)，使其更具有產(chǎn)業(yè)上的利用價值。

發(fā)明內(nèi)容

為解決上述技術(shù)問題，本發(fā)明的目的是提供一種將關(guān)系網(wǎng)絡(luò)映射到文本句子中，自動生成生物關(guān)系網(wǎng)絡(luò)抽取所需要的文本語料的面向句子級的生物關(guān)系網(wǎng)絡(luò)抽取語料庫的生成方法及系統(tǒng)。

為達到上述發(fā)明目的，本發(fā)明面向句子級生物關(guān)系網(wǎng)絡(luò)抽取的語料庫生成方法，包括：

S1、據(jù)已標注的關(guān)系網(wǎng)絡(luò)信息，對生物醫(yī)學(xué)領(lǐng)域的文本句子進行實體識別和映射；

S2、文本句子進行依存句法分析，生成依存句法樹，從依存句法樹中抽取出包含語句中所有實體的最小子樹，按照結(jié)點在文本句子中的詞序恢復(fù)出對應(yīng)的詞語序列，該詞語序列為最短詞語序列；

S3、語句表示成樹形結(jié)構(gòu)，對樹形結(jié)構(gòu)進行前序遍歷，得到結(jié)點序列；

S4、析詞語序列中的詞和結(jié)點序列中的實體、功能和關(guān)系之間的對應(yīng)關(guān)系，對最短詞語序列進行標注，生成關(guān)系網(wǎng)絡(luò)標注語料。

進一步地，S1的具體包括：

利用生物醫(yī)學(xué)領(lǐng)域的開源工具識別句子中的命名實體，將這些實體鏈接到實體數(shù)據(jù)庫中，得到實體的標識符；

對于工具識別且鏈接成功的條目，在數(shù)據(jù)庫中根據(jù)標識符查詢出其標準名稱，再利用標準名稱和語句中的實體名稱進行匹配，將句子中的實體映射到語句中的實體。

進一步地，S2具體包括：

利用生物醫(yī)學(xué)領(lǐng)域的標注數(shù)據(jù)進行數(shù)據(jù)訓(xùn)練，得到句法分析器；

基于句法分析器對句子進行依存句法分析，將結(jié)果表示成樹形結(jié)構(gòu)，也即依存句法樹；

基于依存句法樹，找出根結(jié)點到每個實體結(jié)點的結(jié)點路徑；