基于数据挖掘技术的知识服务体系.docVIP

基于数据挖掘技术的知识服务体系 ——以生命科学领域内GOPubMed为例 谢岩岩1，2 孙继林1 1中国科学院国家科学图书馆，北京，100190 2中国科学院上海生命科学信息中心,上海 200031 摘要：随着生物文献的急剧增长，找到相关文献进行数据挖掘成为新的重点和难点，GOPubMed基于GO和MeSH搜索PubMed，通过标引和分类，可以有效地提高查找相关文献的准确率。GOPubMed的实现为图书馆进行知识服务提供了一种参考模式：通过各类数据库的关联整合，运用本体和主题词表等对其进行数据挖掘，达到知识扩展和知识发现。 关键词：GOPubMed；GO；术语提取；实体识别; 知识服务 Knowledge Service system on Data Mining：GOPubMed in life sciences Xie Yanyan Sun Jilin L ibrary of Chinese Academy of Sciences, Beijing 100190 Shanghai Intelligence Center for life Sciences, CAS, Shanghai 200031ABSTRACT：The biomedical literature grows at a tremendous rate. Finding relevant literature is an important and difficult problem. We introduce GOPubMed, a web server which allows users to explore PubMed search results with the Gene Ontology (GO), a hierarchically structured vocabulary for molecular biology. It gives an overview of the literature abstracts by categorizing abstracts according to the GO and thus allowing users to quickly navigate through the abstracts by category. Key words：GOPubMed；GO；Term Extract；Entity Recognition；Knowledge Service 随着生物文献数量的急剧增长，文献间的知识挖掘和管理成为用户的另一难点。利用现有数据库已可以蛋白质互作、生物循环路径发现等研究，但是传统的基于关键词的文献检索存在两种不足：①用户需要具备很强的专业知识搜索技能才能选取合适的关键词和逻辑表达式达到检索②检索结果呈线性排列用户很难发现结果之间的复杂关系，无法进行深一步的知识挖掘且一般情况下用户只是点击排名靠前的文献因此排序靠后有价值的文献会遗漏。 本文将介绍一个基于本体构建的网络搜索引擎GOPubMed，GOPubMed是PubMed的检索工具当用户检索词提交给PubMed，GOPubMed接收PubMed的检索结果，利用GO (gene ontology，GO基因本体)和MeSH (医学主题词表)对检索结果进行提炼，从中提取GO术语和MeSH主题词，对检索结果进行聚类和关联，并提供相关文献、作者、研究机构、国家或地区的可视化结果有以下优点：①提供基于基因本体的摘要分类概览帮助用户实现分类摘要的快速导航②自动提供与提问相关的术语；③与文献相关的GO概念在文献摘要中有所标识保证用户及时查看验证文献内容分类；④使用GOPubMed搜索PubMed时，会出现相关术语定义及解释。 1 图1：NCBI各数据库间的整合 各类分子、功能数据库的初步整合，为数据挖掘的实现打好了基础，而主题词表和基因本体（GO）的构建，使数据挖掘更易实现。 2工作原理 用户的检索表达式往往由一个或几个关键词构成，很难准确表达索意图，一种有效地扩大查全率的方法就是询扩展。本体的作用可以说是组织“世界上的概念”，并且将它们关联到语言学上的表达。判断询与文档的相关性，可以从识别文档相关的词汇作为出发点，来建立概念之间或其他代表这些概念或相关概念的词汇单元之间的关联。GOPubMed运用对PubMed进行文献检索和浏览，并进行检索结果的知识挖掘户提交后，GOPubMed接受从PubMed返回的检索结果；利用GOMeSH对检索结果进行术语提取和实体识别；通过数据挖掘，使检索结果转换成分类类目及对应文献之间的可视化数据，进而抽取特定的模型分类导航模型(也称诱导本体，Induced Ontology)，即临时GO和临时MeSH；此模型，检索结