基于BIONLP’09的生物文獻事件抽取的研究與實現(xiàn).pdf

1、隨著現(xiàn)代文明的飛速發(fā)展，生物文獻數(shù)量呈幾何式增長，如何能夠從海量的生物文獻中獲取相關生物學知識已經(jīng)成為一個熱門的研究問題。對于文獻中的信息而言，并沒有一個嚴格的組織管理結構，如果能夠將其變成一個有一定組織結構的集合體對于信息的獲取無疑是一個巨大的好處，在此背景下，文本挖掘技術應運而生，近年來對于信息的提取和挖掘技術已今非昔比，而事件抽取技術是其中較為優(yōu)秀和高級的層次。
　　事件抽取技術屬于文本挖掘技術中的一種，本文主要是對生物文獻

2、事件抽取技術進行研究，本文講述的是根據(jù)BIONLP’09 share task，針對非結構化的生物文獻，運用一些現(xiàn)有的工具和方法進行分析和處理，識別蛋白質實體，識別線索詞（也叫觸發(fā)詞），進而運用一些方法和規(guī)則發(fā)現(xiàn)其聯(lián)系，并判斷其關系類型，得到關系詞對，即本研究這里所說的事件抽取。在整個實驗處理流程方面可以大致分為預處理模塊、Parsing句法解析過程（包括上下文特征提?。?、規(guī)則解析與關系提取模塊以及結果處理模塊，這是一種較典型的監(jiān)督學習

3、的方法處理流程，本研究的實現(xiàn)重點主要在規(guī)則解析與關系提取模塊以及結果處理模塊。對于預處理模塊而言主要的處理包括文本格式的統(tǒng)一，蛋白質的全部替換以及線索詞的初步替換；規(guī)則解析與關系提取模塊主要進行包括進棧處理，線索詞的全部替換，以及利用規(guī)則進行解析等；結果處理模塊中主要進行包括去重，重排序，分解，以及回替換等操作。
　　最后實驗結果表明利用本研究的處理方法和步驟在無論是事件的召回率、準確率還是F值，都基本能夠達到50％以上，取得了相