[发明专利]基于句法树和领域特征的生物文本蛋白质指代消解方法

摘要

本发明涉及基于句法树和领域特征的生物文本蛋白质指代消解方法，用于解决现有基于规则的方法中F值低的问题，其步骤包括：对原始文本进行预处理；从句法树中查找关系代词和距离该关系代词最近的名词短语，作为该关系代词的先行语；从句法树中查找人称代词，并从句法树的并列短语结构、子句句法树或前一句子的句法树中查找该人称代词的先行语；利用句法树得到限定性名词短语和候选先行语集，并基于生物领域特征如单复数、实体类型、数量等性质从候选先行语集中挑选出最优的作为先行语；非蛋白质指代消解过滤。本发明实现了生物文本中的蛋白质指代消解，能够获得较高的F值。

主权项

1.一种基于句法树和领域特征的生物文本蛋白质指代消解方法，其特征在于：包括如下步骤：(1)对原始文本进行分句、分词、词性标注、词形还原和句法分析，得到每个句子的句法树T_i，i＝1,2,...,N，所有句子的句法树构成句法树集其中i表示句子的序号，N表示所有句子的个数；(2)从句法树Ti中查找关系代词结点和距离该关系代词结点最近的名词短语结点，得到关系代词照应语Mr和关系代词照应语Mr的先行语Ar；(3)从句法树Ti中查找人称代词结点，得到人称代词照应语Mp；并依次从该人称代词结点所在句法树的并列短语结构、子句句法树和前一句子的句法树中查找该人称代词照应语Mp的先行语Ap；(4)从句法树T_i中查找包含特定生物实体类型关键词的限定性名词短语结点，得到限定性名词短语照应语Md；从句法树集T的子集中查找所有包含生物实体或蛋白质实体的名词短语结点，得到候选先行语集X，基于生物领域特征性质从候选先行语集X中得到限定性名词短语照应语Md的先行语Ad；其中T_j为句法树集T中第j个句子的句法树，k为句子窗口的大小；(5)从步骤(2)至步骤(4)得到的所有指代消解结果中过滤掉先行语不包含蛋白质实体的指代消解，完成基于句法树和领域特征的生物文本蛋白质指代消解。