基于組合分類器的生物命名實(shí)體識(shí)別

時(shí)間：2024-08-30 10:26:00 論文提綱我要投稿

　　論文摘要: 生物命名實(shí)體識(shí)別是一項(xiàng)非常重要和基礎(chǔ)的生物醫(yī)學(xué)文本挖掘技(略)鍵的一個(gè)步驟,只有正確地識(shí)別出生物命名實(shí)體,才能有效地完成基因標(biāo)準(zhǔn)化、生物事件抽取以及蛋白質(zhì)-蛋白質(zhì)交互關(guān)系抽取等更加復(fù)雜的工作.生物醫(yī)學(xué)命名實(shí)體包括(略)、DNA、RNA等,通常有著復(fù)雜的結(jié)構(gòu),對(duì)于這些實(shí)體的鑒別和分類是非常富有挑戰(zhàn)性的.機(jī)器學(xué)習(xí)方法例如CRF、MEMM和SVM已經(jīng)廣泛的應(yīng)用于從已標(biāo)注的語(yǔ)料中學(xué)習(xí)識(shí)別出生物醫(yī)學(xué)命名實(shí)體.然而,生物命名實(shí)體識(shí)別系統(tǒng)的性能仍然沒有普通命名實(shí)體識(shí)別系統(tǒng)的好.(略)高生物命名實(shí)體識(shí)別的性能,研究者提出了合并多個(gè)分類器結(jié)果的多分類器方法. 本文主要研究基于組合分類器的生物命名實(shí)體識(shí)別方法,實(shí)驗(yàn)是在BioCreAtIvE 2GM的訓(xùn)練語(yǔ)料和測(cè)試語(yǔ)料上進(jìn)行的.本文主(略)下兩點(diǎn): ⒈構(gòu)建單一分類器模型本文利用不同的分類模型、不同的分類方法和特征集構(gòu)建了六個(gè)不同的機(jī)器學(xué)習(xí)模型,并對(duì)每種模型采用的特征集,特征抽取方法,以及訓(xùn)練過程進(jìn)行了詳細(xì)介紹. (略)提高最大熵方法的識(shí)別性能,本文采用TBL方法對(duì)最大熵的標(biāo)注結(jié)果進(jìn)行了糾錯(cuò)處理.實(shí)驗(yàn)結(jié)果顯示糾錯(cuò)處理在很大程...

基于組合分類器的生物命名實(shí)體識(shí)別

　　Biomedical Named Entity Recognition (Bio-NER) is (omitted)ly important and fundamental task of biomedical text mining, and is also a critical step for biomedical text mining, only when(omitted)ies are correctly i(omitted)could other more complex tasks, such as, gene normalization, biomedical eve(omitted)tion and protein-protein interaction extraction, be performed effectively. Biomedical named entities include mentions of proteins, genes, DNA, RNA, etc which oft(omitted)omplex structures, but it is cha...

　　摘要第4-5頁(yè)

　　Abstract 第5-6頁(yè)

　　1 緒論第9-16頁(yè)

　　·研究背景與意義第9-10頁(yè)

　　·研究現(xiàn)狀第10-14頁(yè)

　　·本文主要研究?jī)?nèi)容第14頁(yè)

　　·本文組織結(jié)構(gòu) 第14-16頁(yè)

　　2 機(jī)器學(xué)習(xí)模型第16-25頁(yè)

　　·支持向量機(jī)模型第16-18頁(yè)

　　·最優(yōu)分類超平面第16頁(yè)

　　·核函數(shù) 第16-17頁(yè)

　　·SVM多分類問題擴(kuò)展方法第17-18頁(yè)