發(fā)布時(shí)間：2021-08-12 05:29

　　微生物遍布于地球的各種生態(tài)系統(tǒng)中,它們積極地與環(huán)境和群落中的其他成員發(fā)生相互作用,從而維持系統(tǒng)的平衡和穩(wěn)定。構(gòu)建微生物相互作用網(wǎng)絡(luò)是表征微生物與群落成員或宿主之間關(guān)系的最有效方法之一。其中,微生物相互作用關(guān)系抽取是構(gòu)建網(wǎng)絡(luò)的基礎(chǔ)和關(guān)鍵步驟。隨著海量微生物相關(guān)的醫(yī)學(xué)文獻(xiàn)發(fā)表,許多經(jīng)過實(shí)驗(yàn)驗(yàn)證的微生物相互作用信息散布其中。抽取這些信息并將其組織成一個(gè)數(shù)據(jù)庫(kù)或知識(shí)圖譜具有重要的意義。文本挖掘技術(shù)能夠自動(dòng)提取和整合這些信息,從醫(yī)學(xué)文獻(xiàn)中發(fā)現(xiàn)隱含的微生物相互作用關(guān)系。本文針對(duì)微生物關(guān)系抽取的文本挖掘方法開展了研究,主要貢獻(xiàn)如下:首先,提出了一個(gè)基于支持向量機(jī)和特征向量的有監(jiān)督學(xué)習(xí)方法,用于微生物關(guān)系抽取。為了訓(xùn)練模型,標(biāo)注了一個(gè)微生物關(guān)系抽取語料庫(kù),該語料庫(kù)包含1005篇源于PubMed的摘要,含有7483個(gè)微生物關(guān)系實(shí)體對(duì),為微生物關(guān)系抽取提供了基礎(chǔ)。設(shè)計(jì)了 41種特征,分別是詞匯特征、詞性特征、依存特征以及邏輯特征。接著采用包裹法進(jìn)行特征選擇,獲得了最優(yōu)特征子集,并構(gòu)建特征向量作為支持向量機(jī)模型的輸入。最后,探討分析了各類特征對(duì)微生物關(guān)系抽取系統(tǒng)性能的影響,并設(shè)計(jì)多個(gè)相關(guān)實(shí)驗(yàn)進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)... 

【文章來源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．〗微生物文本挖掘流程圖??微生物命名實(shí)體識(shí)別旨在從文本中識(shí)別出微生物實(shí)體的名稱，實(shí)體消歧則是??消除文獻(xiàn)中實(shí)體名稱存在歧義的問題

＿＿ｘｊ＿ｘｊ＿?Ｘ??Ｘ?ＶＩ＾＾ｘｌ＾ｘｉ＾ｘｌ＇ｘ?／??Ｈ／?Ｈ／?＾?ａ／?Ｈｉ?Ｈ／??Ｆｉ?Ｐｉ?Ｐｉ?Ｐｉ?ｒ＇??…Ｈ．?，?Ｘ?Ｘ?Ｘ?Ｘ?Ｘ?Ｘ??Ｅｍｂｅｄｄ，ｎｇ，ａｙｅｒ?Ｘ?Ｘ?Ｘ?Ｘ?Ｘ?Ｘ??ｓ＾Ａ?Ｌ」?ｋ－Ｊ?Ｌ＿Ｊ?Ｌ．Ｊ??ｔｈｅ?ｉｎｌｅｒａｃｉｉｏｎ?ｂｅｔｗｅｅｎ?ＭＥ?一?ＩＤ?丨?ａｎｄ?ＭＥＩＤＩ??Ｆｅａｔｕｒｅ?ｌａｙｅｒ?－３－２－１０?１?２??－５?－４?－３?－２?－１?０??圖４．２?Ｍａｘ－Ｂｉ－ＬＳＴＭ模型的整體結(jié)構(gòu)??（２）?嵌入層（Ｅｍｂｅｄｄｉｎｇ?Ｌａｙｅｒ）??嵌入層位于整個(gè)模型的第二層，其功能是利用查找或嵌入矩陣，將每個(gè)離散??的特征映射到向量表示。預(yù)訓(xùn)練的詞向量用于表示詞嵌入矩陣，其他的特征矩陣??用初始化獲得初始值。假設(shè)岣作為第ｉ個(gè)特征的嵌入矩陣，的每一列為第ｉ個(gè)??特征的向量的值。本文將底層的獨(dú)熱表示的特征向量映射到它對(duì)應(yīng)的嵌入矩陣。??令〇；Ｗ為第ｉ個(gè)特征的第ｊ個(gè)特征值的獨(dú)熱編碼表示，并作為嵌入層的輸入。于是，??嵌入層的輸出Ｖ由以下公式可以獲得：??３６??

？碩士學(xué)位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ?????為了解決以上問題，在２０２０年年初，有研究者提出了一個(gè)用于生物醫(yī)學(xué)文本??挖掘的預(yù)訓(xùn)練的語言表示模型ＢｉｏＢＥＲＴ，它的預(yù)訓(xùn)練和微調(diào)過程如圖４．３所示［５７］。??首先，利用通用領(lǐng)域的ＢＥＲＴ進(jìn)行ＢｉｏＢＥＲＴ模型的初始化，之后利用生物醫(yī)學(xué)領(lǐng)??域的數(shù)據(jù)庫(kù)（ＰｕｂＭｅｄ的摘要文獻(xiàn)和ＰＭＣ的全文文獻(xiàn)）進(jìn)行ＢｉｏＢＥＲＴ模型的訓(xùn)??練，并將其應(yīng)用到多個(gè)生物文本挖掘任務(wù)上，并且取的優(yōu)異的結(jié)果。因此ＢｉｏＢＥＲＴ??值得在本文的微生物關(guān)系抽取任務(wù)上進(jìn)行嘗試。??鑒于ＢｉｏＢＥＲＴ的預(yù)訓(xùn)練過程需要極大的運(yùn)算成本和時(shí)間成本，因此本文是通??過調(diào)用ＢｉｏＢＥＲＴ預(yù)訓(xùn)練好的權(quán)重，再進(jìn)行微調(diào)運(yùn)用到下游的微生物關(guān)系抽取任務(wù)??上。??Ｐｒｅ－ｔｒａｉｎｉｎｇ?ｏｆ?ＢｉｏＢＥＲＴ?Ｆｉｎｅ－ｔｕｎｉｎｇ?ｏｆ?ＢｉｏＢＥＲＴ??Ｐｒｅ－ｔｒａｉｎｉｎｇ?Ｃｏｒｐｏｒａ?ＢｉｏＢＥＲＴ?Ｐｒｅ－ｔｒａｉｎｉｎｇ?Ｔａｓｋ－Ｓｐｅｃｉｆｉｃ?Ｄａｔａｓｅｔｓ?ＢｉｏＢＥＲＴ?Ｆｉｎｅ－ｔｕｎｉｎｇ??ＰｕｂｌＣｊｅｄ?４．５Ｂ?ｗｏｒｄｓ?Ｎａｍｅｄ?Ｅｎｔｉｔｙ?Ｒｅｃｏｇｎｉｔｉｏｎ?ｆ?ｔｈｅ?ａｄｕｌｔ?ｒｅｎａｌ?ｆａｉｌｕｒｅ?ｃａｕｓｅ?．．，１??＇Ｘ．?：?１：：?ＮＣＢＩ?ｄｉｓｅａｓｅ，?ＢＱＧＭ，?？?Ｉ?？?Ｏ?Ｏ?Ｂ?＼?０??ＰＭＣ?１３．５Ｂ?ｗｏｒｄｓ??????＿丨＿＿＿＿＿＿’?，一——?－???Ｊ???—???＾?＇?ｊ?ｆＴ￣—￣一—?—ｙ?丨：??Ｗｅｉｇｈｔ?Ｉｎｉｔｉａｌｉｚａｔｉｏｎ?Ｒｅｌａｔｉ


本文編號(hào)：3337682