詞典和機器學(xué)習(xí)相結(jié)合的生物命名實體識別.pdf

1、生物命名實體識別(Biomedical name entity recognition，Bio-NER)是在分子生物學(xué)及醫(yī)學(xué)領(lǐng)域?qū)I(yè)詞匯加以確認和分類，這類專業(yè)詞匯包括蛋白質(zhì)、基因、RNA以及他們的活動位置，如細胞線等。當前海量的生物醫(yī)學(xué)文獻為文本挖掘技術(shù)提供了用武之地，可以使用該技術(shù)挖掘出海量文獻中蘊藏的各種知識。為了得到基因、蛋白質(zhì)等生物實體之間的聯(lián)系，首先要在文獻中識別基因、蛋白質(zhì)等生物實體。因此生物命名實體識別是其他文本挖掘技

2、術(shù)如關(guān)系抽取、假設(shè)生成、文本分類的基礎(chǔ)。
　　 現(xiàn)階段生物命名實體識別的研究方法大體可以分為基于詞典、基于規(guī)則和基于統(tǒng)計機器學(xué)習(xí)三種方法?；谠~典的方法簡單實用，但是性能卻限制于詞典的規(guī)模與質(zhì)量?；谝?guī)則的方法取決于規(guī)則的完備性和合理性，缺乏一定的適應(yīng)性。基于統(tǒng)計機器學(xué)習(xí)的方法主要應(yīng)用現(xiàn)有的人工標注好的語料在相應(yīng)的統(tǒng)計機器學(xué)習(xí)工具下進行訓(xùn)練，生成目標模型，最后使用該模型去標注未知語料。該方法在移植到新的領(lǐng)域或其他自然語言文本時可

3、以不做或只做較少的改動，已成為現(xiàn)階段研究的主流方法。
　　 為了彌補單純基于詞典的方法的缺陷，并結(jié)合統(tǒng)計機器學(xué)習(xí)方法的優(yōu)勢，本文提出了一種基于詞典和機器學(xué)習(xí)相結(jié)合的生物命名實體識別方法?；谏锩麑嶓w詞典和條件隨機域(Conditional random fields，CRFs)訓(xùn)練獲得“實體詞性”(Part OfSpeech-Entity，POS-Entity)標注模型，對未知語料進行標注獲得“實體詞性”特征。同時根據(jù)生物命

4、名實體的特點提取詞形等特征，結(jié)合上述“實體詞性”特征基于CRFs訓(xùn)練獲得生物命名實體識別模型。為進一步提高識別性能，在“實體詞性”標注階段采取將生物實體分成不同組別，分別進行“實體詞性”標注的分組策略。
　　 基于JNLPBA2004語料集進行實驗，實驗結(jié)果表明本文提出的基于詞典和機器學(xué)習(xí)相結(jié)合的方法取得了較好的結(jié)果，在“實體標記”階段應(yīng)用分組策略后綜合分類率72.83％。對實驗結(jié)果進行錯誤分析，針對典型錯誤進行后續(xù)處理后綜合分