基于组合学习和主动学习的蛋白质关系抽取

摘要

生命科学技术的不断发展，导致了生物医学领域文献的数量呈爆炸式增长。因此，研究人员迫切需要自动化工具，从海量的文献中，提取出感兴趣的信息。随着互联网的日益完善，信息抽取技术迅速发展起来，并且在生物医学领域产生了很大影响。蛋白质关系(Protein-Protein Interaction，PPI)抽取，作为信息抽取在生物医学领域的一个重要的应用，旨在从分子层面挖掘潜在的知识，以供研究者使用。围绕PPI抽取问题，本文从以下方面展开研究。
　　为解决特征挖掘不足、单个分类器决策能力有限的问题，本文提出了组合学习的方法。该方法重点探索了特征设计以及多个分类器的集成问题。在特征选择方面，从句子上下文以及多种句法结构中提取了丰富的特征，并采用信息增益的特征选择方法来筛选出最优特征，然后构建特征向量;在分类器集成方面，选择三个分类准确率较高、决策机制不同的分类器，分别为支持向量机、最大熵和朴素贝叶斯，应用Q-statistic方法验证了不同分类器之间的差异性。采用线性加权的方法，将各个分类器的决策结果集成，保证单独抽取性能表现好的分类器，在融合中能够分配到更高的权重。组合学习方法在典型的AIMed语料上获得了71％的F值和92.9％的AUC值。
　　组合学习方法，只适用在有标注语料充足的情况。然而，在实际应用中，有标注的语料数量相对稀少。因此，为了解决这个问题，本文在组合学习方法的基础上，提出了主动学习的方法。该方法采用基于不确定样本的选择方法，不断从大量未标注语料中挑选出最具信息的样本进行标注，对分类器无用的样本则不进行标注，并将标注后的样本重新加入到训练集中进行自主的学习。主动学习的方法不仅具有良好的PPI抽取效果，而且可以减轻人工标注的工作量。主动学习方法在5个语料上进行的实验取得了不错的效果:在除了LLL之外的4个语料上均获得了较高的AUC值（尤其是在AIMed和BioInfer这样的大语料上），表现出了较强的泛化能力。

目录

声明

摘要

1 绪论

1．1 研究背景

1．2 研究现状

1．2．1 基于词共现的方法

1．2．2 基于模式匹配的方法

1．2．3 基于机器学习的方法

1．3 本文工作

1．4 本文结构

2 蛋白质关系抽取相关知识

2．1 信息抽取

2．2 句法分析

2．2．1 依存句法分析

2．2．2 深层句法分析

2．3 特征选择

2．4 组合学习

2．5 主动学习

2．6 评测指标和实验语料

2．6．1 评测指标

2．6．2 实验语料

3 基于组合学习的蛋白质关系抽取

3．1 语料预处理

3．2 特征向量构建

3．2．1 上下文特征

3．2．2 句法结构特征

3．3 特征选择

3．4 分类器组合

3．5 实验结果与分析

3．5．1 不同维数的特征在AIMed语料上的性能比较

3．5．2 组合学习在AIMed语料上的性能比较

3．5．3 不同方法在AIMed语料上的性能比较

3．6 本章小结

4 基于主动学习的蛋白质关系抽取

4．1 主动学习

4．1．1 基于不确定性的样本选择

4．1．2 基于版本空间缩减的样本选择

4．1．3 基于泛化误差缩减的样本选择

4．2 线性加权融合

4．2．1 基于特征向量的方法

4．2．2 图核

4．2．3 融合方法

4．3 实验结果与分析

4．3．1 AIMed语料上的性能比较

4．3．2 不同方法在5个语料上的性能比较

4．4 本章小结

结论

参考文献

攻读硕士学位期间发表学术论文情况

致谢