面向生化網(wǎng)絡(luò)的文獻挖掘方法研究與系統(tǒng)集成.pdf

1、隨著生物技術(shù)的迅猛發(fā)展，生物醫(yī)學信息量呈爆炸性增長。生物醫(yī)學文獻作為展示學術(shù)成果的主要方式之一，其數(shù)目之大、增長速度之快遠遠超過了其他學科領(lǐng)域。面對數(shù)目巨大且快速增長的文獻，研究者如果僅依賴手工的方式獲取文獻信息，完全跟蹤其研究領(lǐng)域幾乎是不可能的，甚至是一個特定的主題也難以做到。因此，一個能自動從海量文獻中找到重要信息的文獻挖掘系統(tǒng)，成為了生物醫(yī)學研究者在研究工作中必不可少的工具之一。本文以生化網(wǎng)絡(luò)為主題，對文獻挖掘中的一些關(guān)鍵的方法進

2、行了研究，主要的研究工作包括： 1.針對目前已出現(xiàn)的具有特定一項功能的眾多文獻挖掘工具，本文給出了一種面向生物醫(yī)學文獻挖掘的通用系統(tǒng)設(shè)計方案--BNLitMiner系統(tǒng)方案，并通過對文獻分類中的一些關(guān)鍵算法的研究與應用集成系統(tǒng)(BioIMIS)的開發(fā)實現(xiàn)了這一系統(tǒng)方案。 2.針對傳統(tǒng)的貝葉斯方法在生物醫(yī)學文獻挖掘應用中偏向于較長文檔這一不足之處，通過引入文檔長度因子，提出了一種改進的貝葉斯算法(LRABIB)。實驗結(jié)果與

3、分析表明：相對于一般的貝葉斯方法，LRABIB提高了文獻的查全率和查準率，同時減少了算法執(zhí)行時間。 3.在生物醫(yī)學文獻自動分類過程中將基因本體(Gene Ontology，GO)信息引入到支持向量機(Support Vector Machine，SVM)分類模型中，提出了GO-SVM算法。實驗結(jié)果表明，GO-SVM算法相對于傳統(tǒng)的SVM分類具有較高的綜合指數(shù)F-Score。 應用文獻挖掘的方法來獲取生物醫(yī)學知識，不僅僅具