[發明專利]一種面向文本的領域分類關系自動學習方法

有效

• 申請號: 201810036779.0
• 申請日: 2018-01-15
• 公開（公告）號: CN108170840B
• 公開（公告）日: 2019-11-19
• 發明（設計）人: 李勁松;張椏童;周天舒;田雨;王昱
• 申請（專利權）人: 浙江大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/36
• 代理公司: 33200 杭州求是專利事務所有限公司
• 代理人: 劉靜;邱啟旺<國際申請>=<國際公布>=

1.一種面向文本的領域分類關系自動學習方法，其特征在于，包括以下步驟：

(1)將從MEDLINE上抽取到的xml格式的論文中的摘要部分存儲為txt格式，作為語料庫；

(2)對步驟(1)得到的語料庫采用自然語言處理工具MMTx進行初步術語抽取；

(3)將步驟(2)抽取到的術語與UMLS超級敘詞表映射，不同的術語可能會映射到相同的概念；將所有的術語進行概念映射，最終形成領域概念集合；

(4)綜合句法相似度和語義相似度進行概念間相似度的計算，將相似度分為5個維度，最終的概念C_i和C_j之間的相似度Sim(C_i，C_j)是各維度相似度歸一化加權的結果，對于n個概念最終得到一個n×n的相似度矩陣；Sim(C_i，C_j)的計算公式如下：

其中，w_l是第l個維度相似度的權值，前三個維度的相似度是基于句法計算的，后兩個維度的相似度是基于語義計算的，具體計算方法如下：

(4.1)sim₁(C_i，C_j)的計算：計算概念C_i和C_j的概念名稱C_name的杰卡德相似系數；每個C_name由一系列字符串T構成，那么，概念C_i和C_j的相似度表示為

T_i∩T_j＝{t_i∈T_i，t_j∈T_j|LD|t_i|，|t_j|)＜α}

其中，LD|t_i|，|t_j|)為t_i和t_j之間的萊文斯坦距離，T_i∩T_j的評估標準是構成它們的字符串之間的萊文斯坦距離小于預定義值α；

(4.2)sim₂(C_i，C_j)的計算：計算概念C_i的概念名稱C_name和C_j所代表的術語集β之間的杰卡德相似系數；

(4.3)sim₃(C_i，C_j)的計算：計算概念C_i所代表的術語集β和C_j的概念名稱C_name之間的杰卡德相似系數；

(4.4)sim₄(C_i，C_j)的計算：計算兩個概念C_i和C_j在臨床醫學權威知識庫SNOMED CT中的相似度；對于概念C_i，首先，查詢其在SNOMED CT中的統一標識符conceptID，如果查詢不到統一標識符conceptID，則兩個概念的相似度為0；如果查詢到統一標識符conceptID，則遞歸查詢出概念C_i在SNOMED CT本體庫中的所有父節點，得到以概念C_i為中心的由其所有父節點形成的圖，采用圖的寬度優先搜索算法對兩個概念各自的父節點圖進行處理，得出二者的公共父節點，其中兩個概念的最近距離即為最終距離；對最短距離進行歸一化處理即可得到本維度的相似度；

(4.5)sim₅(C_i，C_j)的計算：計算兩個概念在DBpedia知識庫中的相似度；概念C_i和C_j的相似度是各自從DBpedia中抽取到的類別數組的杰卡德相似系數；

(5)對相似度矩陣進行層次聚類得出初始的樹狀圖：基于以上5個維度相似度的計算，采用自底向上的凝聚型聚類算法AHC對分類關系進行學習，簇間距離選用最大距離作為標準；

(6)對樹狀圖進行相應的剪枝和聚簇標記，得出概念之間的分類關系；具體為：首先創建聚簇標記向量λ＝{λ₁，λ₂，…，λ_m}，m為所有聚簇標記的總數，然后，對層次聚類產生的樹狀圖進行剪枝操作，若在剪枝的過程中有新的聚簇產生，對新的聚簇進行標記并更新樹狀圖，重復此操作，直到不再有新的聚簇產生，即得到最終的概念之間的分類關系。