[发明专利]一种基于紧凑特征表示的蛋白质作用关系对抽取方法

摘要

本发明公开了一种基于紧凑特征表示的蛋白质作用关系对抽取方法，包括以下步骤1)选取所需的语料，语料是以句子为单位，已经有了蛋白质实体的标注及实体关系的标注；2)舍弃步骤1)中不包含蛋白质实体或只包含一个蛋白质实体的句子，得到句子集合sen_set；3)用占位符替换句子中相应的蛋白质实体并进行占位符融合，再进行词性标注和句法分析；4)以每个实体对为单位，获取词、词性、句法和模板的特征；5)对步骤4)中获得的特征进行紧凑化表达的操作；6)利用支持向量机对从步骤4)得到的特征进行训练或者利用已训练的模型进行预测。与传统的基于特征实体关系对抽取方法相比，本发明尽最大努力利用句子中可利用的信息，极大地丰富了特征向量的信息量。

主权项

一种基于紧凑特征表示的蛋白质作用关系对抽取方法，其特征在于，包括以下步骤：1)选取所需的语料，语料是以句子为单位，已经有了蛋白质实体的标注及实体关系的标注；2)舍弃步骤1)中不包含蛋白质实体或只包含一个蛋白质实体的句子，得到句子集合sen_set；3)用占位符替换句子中相应的蛋白质实体并进行占位符融合，再进行词性标注和句法分析，包括以下步骤：3.1)蛋白质实体的标注都是以词条为单位的，将句子中属于实体关系对的第一个实体的词条置换成_PROT_1，第二个实体的词条置换成_PROT_2，对于不属于实体关系对的但又是蛋白质实体的词条置换成_PROT_，以区别于样本实体词条，另外，对于和两个实体都有重叠的词条置换成_PROT_1_2；3.2)对句子做了占位符置换之后，会存在相同的占位符占据多个词条的情况，使用以下的规则将相邻且相同的占位符融合：3.2.1)不管_PROT_占据几个词条或是否相邻，均不融合；3.2.2)如果有连续的几个_PROT_1或_PROT_2，则把几个联系的占位符词条融合成一个，下面规则3.2.3)、3.2.4)的情况除外；3.2.3)如果_PROT_1后面紧跟着_PROT_1_2，则把_PROT_1_2前面连续的几个_PROT_1合并成一个_PROT_1，同时也把_PROT_1_2置换成_PROT_2；3.2.4)如果_PROT_1_2后面紧跟着_PROT_2，则把_PROT_1_2后面连续的几个_PROT_2合并成一个_PROT_2，同时也把_PROT_1_2置换成_PROT_1；3.2.5)如果只存在多个_PROT_1_2，则把它们合并成一个；3.3)使用词性标注工具对上面步骤产生的句子进行词性标注；3.4)使用句法分析器对句子进行依赖关系句法分析，至此便可获得句子的词性标注信息和依赖关系句法信息；4)以每个实体对为单位，获取词、词性、句法和模板的特征；5)对步骤4)中获得的特征进行紧凑化表达的操作；6)利用支持向量机对从步骤4)得到的特征进行训练或者利用已训练的模型进行预测。