基于不同文本表示的大规模蛋白功能预测探究

摘要

因为使用生化实验确定蛋白功能需要耗费大量的时间和资源,所以利用计算技术自动标注蛋白功能意义重大.基于文本进行蛋白质功能预测的方法可以充分利用蛋白序列以外的数据.为了探究文本分类中不同的文本表示对蛋白质功能预测任务的影响,通过实验分析了一系列主流的文本表示方法,包括传统的基于词袋模型的稀疏表示(TFIDF)和含有深度语义信息的稠密表示(W2V,GloVe,D2V),并做了两方面拓展:①对基于词向量的文本表示考虑使用IDF加权平均(WW2V,WGloVe);②稀疏表示与稠密表示的拼接结合(WW2V-TFIDF,WGloVe-TFIDF,D2V-TFIDF,Combined).实验结果证明,IDF加权平均比直接平均效果更好;每个单独的表示侧重点不同,各有优缺点;稀疏表示与稠密表示具有互补性;多种表示的组合(结合了TFIDF,WW2V,WGloVe,D2V)效果最好.