[发明专利]不平衡数据集上生物医学多参事件抽取的新方法

摘要

本发明公开了一种不平衡数据集上生物医学多参事件抽取的新方法，步骤如下：第一部分：步骤1：获取序列库；步骤2：构造序列数据库S；步骤3：给定最小支持度阈值；步骤4：判断序列个数；第二部分：步骤1：在选择的样本集上提取四类特征；步骤2：得到多类别的分类器；第三部分：步骤1：计算相似度；步骤2：计算触发词重要度步骤3：合并重要度和相似度Sim(t_i，a_j，a_k)得到联合评分Score(t_i，a_j，a_k)；步骤4：给定阈值δ。有益效果：采用数据挖掘和自然语言处理技术，方法灵活，易于实现，可达到很高的准确度。

主权项

1.一种不平衡数据集上生物医学多参事件抽取的新方法，其特征在于：其具体方法如下所述：所需条件：生物文献的语料库，nltk、nltk.org分词和分句工具以及生物医学依存路径分析工具以及抽取模型特征系统；待检测的生物医学文本，普通PC机；实现步骤如下：第一部分：通过对生物文献语料库进行预处理，获取多参数事件的特征，以及采用序列模式的方法平衡训练的正负样本，从而得到用于分类的有意义的样本集，具体步骤如下：步骤1：开始，对给定的语料库进行分词、分句、词性标注和路径依存分析获取序列库；步骤2：定义句子中的候选触发词集，它们来源于触发词字典，蛋白质和触发词构成参数集，蛋白质来源于蛋白质字典，这样生成候选触发词和各个参数形成的对集，将这些对集所包含的依存路径中的关键字构造序列数据库S；步骤3：给定最小支持度阈值，利用序列模式算法在生成的序列库S中挖掘出频繁的规则或者模式；步骤4：对无标签的样本判断其依存路径是否包含频繁模式序列个数，即大于给定的阈值，否则将其过滤并去掉一些负样本；第二部分：在选择的样本特征集上训练得到基于支持向量机的预测模型，具体步骤如下：步骤1：在选择的样本集上提取四类特征，包括Token特征、句子特征、词袋特征和外部资源特征；步骤2：应用支持向量机方法进行训练得到多类别的分类模型；第三部分：对新的待测样本利用获取的分类模型进行预测，对预测的结果，从句子的相似度和触发词的重要度两方面来得到联合评分，根据给定的阈值，把预测为正例的样本的实际预测结果修正为负例，以三元关系(t_i，a_j，a_k)的事件预测，其中t_i是触发词，而a_j，a_k是两个参数，a_j,a_k代表蛋白质或触发词，具体步骤如下：步骤1：计算预测结果所在语句s'与d中所有语句的相似度Sim(s′，d)，这里，d＝{s₁，s₂，...，s_n}是包含与预测结果相同触发词的所有语句集合，n表示集合的大小；步骤2：计算触发词重要度步骤3：合并重要度和相似度Sim(s′，d)得到联合评分Score(t_i，a_j，a_k)；步骤4：给定阈值δ，如果Score(t_i，a_j，a_k)＜δ，对预测的结果进行修正。