生物醫(yī)學(xué)文本中藥物信息抽取方法研究.pdf

1、隨著生物醫(yī)學(xué)研究及互聯(lián)網(wǎng)技術(shù)的發(fā)展，互聯(lián)網(wǎng)上可獲取的生物醫(yī)學(xué)文獻(xiàn)數(shù)量急劇增長。海量非結(jié)構(gòu)化的生物醫(yī)學(xué)文獻(xiàn)中蘊(yùn)含著豐富的、有價(jià)值的知識(shí)。藥物作為一種被廣泛研究的生物醫(yī)學(xué)實(shí)體，是相關(guān)知識(shí)的重要載體。從非結(jié)構(gòu)化的生物醫(yī)學(xué)文本中抽取出結(jié)構(gòu)化的藥物信息既能服務(wù)于相關(guān)領(lǐng)域的研究人員與醫(yī)療專業(yè)人員，又能擴(kuò)充、更新現(xiàn)有的藥物知識(shí)庫。因此，生物醫(yī)學(xué)文本中的藥物信息抽取獲得越來越多的關(guān)注，逐漸成為研究的熱點(diǎn)。當(dāng)前藥物信息抽取的研究主要集中在藥物名識(shí)別及藥物

2、之間相互作用關(guān)系抽取兩個(gè)問題上，相關(guān)方法的性能尚不能滿足實(shí)際應(yīng)用的需要。因此，本文圍繞這兩個(gè)問題展開深入研究。主要研究內(nèi)容包括以下幾個(gè)部分：
　　第一，基于多語義特征融合的藥物名識(shí)別方法?；谒幬锩~典的語義特征對(duì)識(shí)別藥物名具有很大幫助，被廣泛用于基于機(jī)器學(xué)習(xí)的藥物名識(shí)別方法中。但由于藥物名詞典覆蓋范圍有限、更新不及時(shí)等原因，基于藥物名詞典的語義特征存在一定的局限性。本文注意到大規(guī)模非結(jié)構(gòu)化的生物醫(yī)學(xué)文獻(xiàn)中包含大量未登錄的藥物名。

3、為彌補(bǔ)基于詞典的語義特征的不足，本文提出一種基于多語義特征融合的藥物名識(shí)別方法。該方法利用大規(guī)模非結(jié)構(gòu)化的生物醫(yī)學(xué)文獻(xiàn)生成基于詞向量的語義特征，并將其與基于藥物名詞典生成的語義特征聯(lián)合用于藥物名識(shí)別。實(shí)驗(yàn)結(jié)果表明，基于多語義特征融合的藥物名識(shí)別方法性能優(yōu)于使用單一語義特征的方法。
　　第二，基于特征組合與特征選擇的藥物名識(shí)別方法。特征組合是指將多個(gè)不同類型的簡單特征組合為一個(gè)組合特征。相比于簡單特征，組合特征的優(yōu)勢(shì)在于其能表示語句

4、中詞的多個(gè)屬性。在藥物名識(shí)別問題中，可能的特征組合方式很多，直接將簡單特征組合會(huì)產(chǎn)生數(shù)量龐大的組合特征，且包含大量噪聲，影響模型的性能。因此，除了n元文法特征外，現(xiàn)有的藥物名識(shí)別方法通常僅使用簡單特征。為了有效利用組合特征，本文提出了一種面向藥物名識(shí)別的特征生成框架。該框架包含特征組合與特征選擇兩個(gè)模塊，特征組合模塊將簡單特征組合得到組合特征，特征選擇模塊去除特征集合中的大量噪聲。本文基于該框架將詞向量特征、詞典特征及通用特征組合，將得

5、到的特征用于條件隨機(jī)場(chǎng)模型進(jìn)行藥物名識(shí)別。實(shí)驗(yàn)結(jié)果表明，基于特征組合與特征選擇的藥物名識(shí)別方法性能優(yōu)于僅使用簡單特征的藥物名識(shí)別方法。
　　第三，基于文本序列卷積神經(jīng)網(wǎng)絡(luò)的藥物相互作用關(guān)系抽取方法?，F(xiàn)有的性能較好的藥物相互作用關(guān)系抽取方法是基于支持向量機(jī)的方法。這類方法使用大量的人工定義特征且需要各種外部自然語言處理工具來生成這些特征。因此，其性能受外部自然語言處理工具的影響較大。為了減少對(duì)外部自然語言處理工具的依賴，本文提出一種

6、基于文本序列卷積神經(jīng)網(wǎng)絡(luò)的藥物相互作用關(guān)系抽取方法。該方法只需要輸入由無監(jiān)督的深度學(xué)習(xí)算法得到的詞向量以及隨機(jī)初始化的位置向量，通過文本序列卷積與最大池化操作自動(dòng)學(xué)習(xí)得到特征，用于softmax分類器進(jìn)行關(guān)系抽取。實(shí)驗(yàn)結(jié)果表明，該方法性能優(yōu)于傳統(tǒng)的基于支持向量機(jī)的方法。
　　第四，基于依存結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的藥物相互作用關(guān)系抽取方法。基于文本序列卷積神經(jīng)網(wǎng)絡(luò)的藥物相互作用關(guān)系抽取方法忽略了詞之間的長距離依存關(guān)系，而這種依存關(guān)系對(duì)藥物

7、相互作用關(guān)系抽取很重要。因此，本文提出一種基于依存結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的藥物相互作用關(guān)系抽取方法，將詞之間的長距離依存關(guān)系融入卷積神經(jīng)網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果表明，引入詞之間的長距離依存關(guān)系能提升藥物相互作用關(guān)系抽取的性能。句法分析器對(duì)長句的依存句法分析結(jié)果錯(cuò)誤較多，這些錯(cuò)誤傳播到依存結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型中，會(huì)影響模型的性能。為避免錯(cuò)誤傳播，本文根據(jù)語句長度將基于文本序列與基于依存結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)方法組合。實(shí)驗(yàn)結(jié)果表明，這種組合能進(jìn)一步提升藥物