隨著生物信息學的發(fā)展,每天都有大量的文獻發(fā)布到各種期刊上,面對快速增長的生命科學文獻,依靠手工標注的方式難以實現(xiàn)高效的管理,將文本挖掘技術應用于生物醫(yī)學領域能夠很好的解決文獻分類效率,文獻分類技術可以從雜亂無序的信息中提取科研人員感興趣的內(nèi)容。本文通過機器學習分類器對文獻進行分類,篩選出植物表型和基因相關的文獻,提高分類的效率,具體工作如下:(1)完成了數(shù)據(jù)獲取和預處理工作通過爬蟲軟件收集了 MEDLINE數(shù)據(jù)庫中和植物表型基因相關的文獻,對收集到的植物表型基因的文獻進行預處理操作,主要包括:文獻清洗、文獻切分、詞干提取和刪除停用詞。(2)構建了詞袋模型、TF-IDF模型和Word2vec模型對文獻進行特征處理針對植物表型基因文獻中特征處理問題,對預處理后的文獻特征賦予不同的權重,將文獻的內(nèi)容轉換成向量的形式,主要依據(jù)文獻中單詞出現(xiàn)的頻率、逆文檔頻率和文本相似度等屬性,通過實驗選取合理的超參數(shù),最終對不同特征提取方法的分類效果進行評價。(3)運用了機器學習分類器對植物表型基因文獻進行分類通過對現(xiàn)有文本分類算法優(yōu)缺點的比較,選取了支持向量機、樸素貝葉斯和隨機森林方法對植物表型基因文獻進行...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖２－３?ＣＢＯＷ和ｓｋｉｐ－ｇｒａｍ模型示意圖??Ｆｉｇ．?２－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＣＢＯＷ?ａｎｄ?ｓｋｉｐ－ｇｒａｍ?ｍｏｄｅｌｓ??

于其??他神經(jīng)網(wǎng)絡，運行速度更快，而且不需要手工標記標簽來創(chuàng)建訓練集。ＣＢ０Ｗ模型??又叫連續(xù)詞袋模型是根據(jù)目標詞上下文的詞向量對該詞的詞向量進行預測，而??Ｓｋｉｐ－ｇｒａｍ貝Ｕ相反，Ｓｋｉｐ－ｇｒａｍ又叫跳節(jié)模型，逆轉ＣＢＯＷ的因果關系，通過目標詞??的詞向量預測上下文的詞向....

圖３－１文獻分類流程圖??Ｆｉｇ．?３－１?Ｄｏｃｕｍｅｎｔ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｆｌｏｗ?ｃｈａｒｔ??本章主要介紹的是文獻的預處理和特征選擇，下文是詳細介紹

文獻清洗??文獻切分??表型數(shù)據(jù)集?Ｓ?詞干提取??５特征選擇?Ｓ?分類器??去除停用詞??文獻預處理??圖３－１文獻分類流程圖??Ｆｉｇ．?３－１?Ｄｏｃｕｍｅｎｔ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｆｌｏｗ?ｃｈａｒｔ??本章主要介紹的是文獻的預處理和特征選擇，下文是詳細介紹。?....

圖３－２株高類別的植物表型文檔???

ｏｍｏｌｏｇｙ?ｗａｓ?ｏｂｓｅｒｖｅｄ?ｂｅｔｗｅｅｎ?Ｂｔ２?ａｎｄ?Ｌ２?ｉｎ?ｔｈｅｉｒ?ｃｏｄｉｎｇ?ｒｅｇｉｏｎ，?ｂｕｔ?ｈｏｍｏｌｏｇｙ?ｗａｓ?ｐｏｏｒ?ｉｎ?ｔｈｅ?３＇?ｎｏｎｃｏｄｉｎｇ?ｂｏｒｄｅｒ．??Ｔｈｉｓ?ｒｅｓｕｌｔ?ｄｅｍｏｎｓｔｒａｔｅｓ?....

圖３－４?ｓｐｉｋｅ詞向量??Ｆｉｇ．?３－４?ｓｐｉｋｅ?ｗｏｒｄ?ｖｅｃｔｏｒ??

容合并一起過程中，要讓文本輸出格式符合ｕｔｆ－８編碼要求。??植物表型基因語料庫共收集到超過１０００００個單詞，嵌入１００維的詞向量，產(chǎn)生??了龐大的權重矩陣，在神經(jīng)網(wǎng)絡中進行梯度下降速率較慢，由于需要訓練數(shù)據(jù)來調(diào)整??權重避免過擬合，為了優(yōu)化訓練過程，避免權重矩陣過大，本實驗使....

本文編號：3950859