基于半监督和主动学习的蛋白质关系抽取研究

论文摘要

随着生物医学文献数量的急剧增长,海量的生物医学信息出现在生物医学研究者面前。一方面,这使生物医学研究者很难快速地从这些文献中找到需要的信息;另一方面,他们常常需要标注大量的样本进行研究或者实际工作,可是由于数据海量,标注的成本是很高的。因此,为了提高工作效率,迫切地需要一些自动化的手段帮助他们在海量生物医学文献中迅速地找到需要的信息,而且人们更加希望使用尽可能少的已标注样本就能够有效地满足研究与实际需求。使用半监督学习及主动学习方法进行生物医学文献中蛋白质关系抽取正是在这种背景下产生的。此外,从生物医学文献中抽取蛋白质关系具有很高的应用价值,对蛋白质知识网络的建立、蛋白质关系的预测、新药的研制等均具有重要的意义。本文首先介绍了蛋白质关系抽取的相关知识和研究概况,然后介绍了半监督学习方法中的自训练、协同训练以及主动学习方法,最后研究与实现了基于半监督学习与主动学习方法的生物医学文献中的蛋白质关系抽取。该研究使用机器学习方法从两个不同的角度进行蛋白质关系抽取,着眼与如何尽可能的减轻用户的标注负担。首先,使用了半监督学习中的自训练（Self-training）、协同训练（Co-training）两种方法进行蛋白质关系抽取,探讨如何利用少量已标样本集、大量未标样本集进行蛋白质关系抽取,达到一个不错的效果;其次,使用主动学习（Active learning）方法进行蛋白质关系抽取,选择更有价值的样本进行标注,探讨如何在保持效果的前提下,减少用户的标注负担。最后尝试将半监督学习与主动学习方法结合在一起,寻求蛋白质关系抽取的效果与用户标注的平衡点,使用户不但可以尽可能少的标注样本,又可以使蛋白质关系抽取的精度保持在较高水平。本文在不同的数据集上进行了实验,最后根据实验结果做出了详细的讨论,并给出了研究与实现的结论。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 应用领域
• 1.3 本文的工作
• 1.4 本文的结构
• 2 蛋白质关系抽取相关知识及研究综述
• 2.1 蛋白质关系抽取的相关知识
• 2.1.1 信息抽取的定义
• 2.1.2 信息抽取的应用对象
• 2.1.3 关系抽取的历史
• 2.1.4 关系抽取的研究现状
• 2.2 蛋白质关系抽取的研究现状
• 3 概念描述及评测方法
• 3.1 支持向量机
• 3.1.1 广义最优分类面
• 3.1.2 支持向量机
• 3.1.3 核函数
• 3.1.4 用于函数拟合的SVM
• 3.1.5 核函数主要成分分析
• 3.2 词特征
• 3.2.1 词特征
• 3.2.2 词干化与去停词
• 3.3 依存分析
• 3.3.1 依存语法
• 3.3.2 统计依存分析
• 3.4 评测方法
• 3.4.1 语料
• 3.4.2 工具
• 3.4.3 评测指标
• 4 基于半监督学习的蛋白质关系抽取
• 4.1 半监督学习方法
• 4.1.1 EM
• 4.1.2 自训练及协同训练
• 4.1.3 图模型
• 4.1.4 TSVM
• 4.2 实验设计与结果分析
• 4.2.1 自训练
• 4.2.2 协同训练
• 4.2.3 下一步工作
• 5 基于主动学习的蛋白质关系抽取
• 5.1 主动学习方法
• 5.1.1 不确定标注
• 5.1.2 委员会标注
• 5.2 实验设计与结果分析
• 5.2.1 不确定标注
• 5.2.2 下一步工作
• 6 半监督学习和主动学习相结合的蛋白质关系抽取
• 6.1 结合自训练方法的不确定标注方法
• 6.2 实验设计与结果分析
• 6.3 下一步的工作
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢