基于擴展語義消歧的生物醫(yī)學命名實體標準化.pdf

1、隨著生物醫(yī)學文獻數量的急劇增長，海量的生物醫(yī)學信息成為制約生物醫(yī)學研究者研究的重要因素。一方面，生物醫(yī)學研究人員很難迅速查找蘊藏在這些浩如煙海的生物醫(yī)學文獻中的具有價值的信息，因此也幾乎不可能通過人工的方式及時更新知識。與此同時，生物醫(yī)學領域具有十分豐富的在線和離線知識資源。生物醫(yī)學研究人員可以利用這些知識資源作為輔助，通過對已有知識資源進行科學的表示并依此來學習新文獻中的知識，從而來進一步更新和完善這些生物醫(yī)學知識資源，進而達到輔助生

2、物醫(yī)學研究人員研究工作的目的。構建這些知識資源的過程往往需要耗費大量的人力物力財力，同時也受到知識資源構建人員學術背景等主觀因素的制約。于是研究人員迫切需要一種自動的方法來解決文獻急劇增長和無法及時更新知識這對矛盾。生物醫(yī)學命名實體標準化正由此應運而生。
　　 生物醫(yī)學命名實體標準化是生物醫(yī)學文本挖掘研究中重要的基礎環(huán)節(jié)，它不僅與生物醫(yī)學命名實體識別研究緊密聯系，而且對后續(xù)實體關系抽取以及假設發(fā)現具有十分重要的意義。眾所周知，基

3、因和蛋白質是最重要的生物醫(yī)學命名實體，它們對于生物醫(yī)學研究人員的研究具有十分重要的價值。因此，生物醫(yī)學命名實體標準化研究的重點細化為基因提及標準化研究?；蛱峒皹藴驶闹饕蝿帐亲R別出生物醫(yī)學文獻中提及的基因和蛋白質以及正確建立這些基因提及與標準生物醫(yī)學數據庫中的標識符之間的映射關系。通過這種方式可以降低構造相關知識資源的成本。因此，生物醫(yī)學命名實體標準化具有很高的應用價值。
　　 本文首先介紹了生物醫(yī)學文本挖掘領域中的基因提及

4、標準化研究的概況。其次把如何利用知識資源對基因提及進行消歧作為研究范疇。從利用相關反饋知識對消歧問題進行初步嘗試入手，深入調研本領域相關文獻，最終形成本文的核心方法。
　　 本文基于擴展語義輪廓消歧的標準化方法主要由四個部分組成：
　　 第一部分是對原始的生物醫(yī)學摘要文本進行預處理，利用現有的命名實體識別系統(tǒng)對處理后的摘要文本進行識別。與此同時，把BioCreative II組織者提供的字典與數據庫資源中的基因提及同義字

5、信息進行合并，從而構建字典。最后對生成的字典進行規(guī)范化處理，使其盡量消除由名稱拼寫差別造成的誤差。
　　 第二部分是構造候選基因提及標識符列表。這部分主要的功能是把識別出來的基因提及通過搜索匹配的方法與生物學數據庫中的標識符進行對應，其中具有歧義的基因提及由下一步消歧方法來確定一個唯一的數據庫標識符。
　　 第三部分采用基于信息檢索的擴展語義信息來進行消歧，并將這種信息轉化為特征向量。最后，采用基于wikipedia的后