生物醫(yī)學領域的研究因與人類的健康狀況密切相關而受到廣泛關注。近年來,生物醫(yī)學文獻的數(shù)量呈高速增長的態(tài)勢。海量的生物醫(yī)學資源一方面成為生物醫(yī)學專家的寶貴資源,另一方面,由于人工抽取有用的信息耗時耗力,也一定程度上制約了生物醫(yī)學研究的效率�；诖�,生物醫(yī)學文本挖掘技術適時出現(xiàn)并解決了這一難題。生物醫(yī)學實體關系抽取是文本挖掘中的重要任務之一。由于目前主流的關系抽取技術是基于深度學習的單任務學習方法,該方法不能有效利用同一領域的相關任務間的共性,使得模型的性能和泛化能力有限�；诖�,在本文的工作中,我們構建了多任務學習模型,分別為全共享多任務模型、私有共享多任務模型和基于Attention機制的主輔多任務模型。多任務模型中的私有網(wǎng)絡抽取各個任務的私有特征,共享網(wǎng)絡可以抽取多個任務之間的公共特征,對私有特征進行補充和增強。特別是,我們提出的基于Attention機制的主輔多任務模型,根據(jù)輔助任務對主任務的影響程度,利用Attention層為每個輔助任務與主任務的共享特征分配權重,最大化的利用了輔助任務的積極影響,同時避免了輔助任務的噪聲,提升了模型的分類能力。然后,我們使用基于深度學習的關系抽取...

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
        1.2.1 生物醫(yī)學實體關系抽取研究現(xiàn)狀
        1.2.2 知識圖譜研究現(xiàn)狀
        1.2.3 蛋白質(zhì)-蛋白質(zhì)交互關系數(shù)據(jù)庫研究現(xiàn)狀
    1.3 本文工作
    1.4 本文結構
2 相關技術與知識
    2.1 相關算法
        2.1.1 單詞的向量化表示
        2.1.2 神經(jīng)網(wǎng)絡
    2.2 實驗數(shù)據(jù)集
    2.3 評價指標
3 基于多任務學習的生物醫(yī)學實體關系抽取
    3.1 引言
    3.2 方法
        3.2.1 單任務模型
        3.2.2 全共享多任務模型
        3.2.3 私有共享多任務模型
        3.2.4 基于Attention機制的主輔多任務模型
    3.3 實驗與討論
        3.3.1 數(shù)據(jù)集與實驗設置
        3.3.2 兩兩任務間的多任務學習
        3.3.3 所有任務間的多任務學習
        3.3.4 Attention機制在主輔多任務模型中的有效性
        3.3.5 與其他方法的性能比較
    3.4 本章小結
4 原發(fā)性肝癌的知識圖譜構建及表示學習
    4.1 引言
    4.2 原發(fā)性肝癌的知識圖譜構建
        4.2.1 知識獲取
        4.2.2 知識存儲
    4.3 基于原發(fā)性肝癌的知識圖譜表示學習
        4.3.1 問題引出
        4.3.2 知識圖譜表示學習方法
        4.3.3 實驗與討論
    4.4 本章小結
5 人類惡性腫瘤的蛋白質(zhì)交互關系數(shù)據(jù)庫構建
    5.1 引言
    5.2 數(shù)據(jù)庫構建方法
        5.2.1 生物醫(yī)學文獻PPIs抽取系統(tǒng)介紹
        5.2.2 人類惡性腫瘤相關PPIs抽取步驟
        5.2.3 PPIs結構化數(shù)據(jù)格式
    5.3 數(shù)據(jù)庫介紹
        5.3.1 數(shù)據(jù)統(tǒng)計
        5.3.2 數(shù)據(jù)質(zhì)量分析
        5.3.3 數(shù)據(jù)庫網(wǎng)站
        5.3.4 數(shù)據(jù)可視化
    5.4 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
攻讀碩士學位期間參加學術評測和獲獎情況
攻讀碩士學位期間參加科研項目情況
致謝



本文編號：3884841