基于PubMed相关文献功能的专题领域文本分类的研究.pdfVIP

中华医学会第十五次全国医学信息学术会议 论文汇编 1 PU-31-0024 被认为是一个简单、有效而且在实际应用中很成功的分类 基于 PubMed 相关文献功能的专题领域文本分类研 器。在文本分类领域，贝叶斯定理可以表述如下： 究 ∗ p (cj)p (di / cj) 王秀艳 崔雷 P(cj/di) ， 中国医科大学医学信息学系 110001 p (di) 上述公式表示在给定文档di的条件下，di属于类别Cj 1.前言 的概率(称为后验概率)。所以对文档di分类的问题就转化为 随着科学研究以及信息技术的飞速发展，文本信息正在 计算P(Cj／di)的值，使P(Cj/di)取得最大值的那个类别就 以几何级数不断增长，人们每天都必须面对大量纷繁芜杂的 是所属的类别。此算法和PubMed中相关文献的算法的原理相 信息。在这种情况下，要想快速有效的从大规模文本信息资 同，都利用了贝叶斯公式，只是具体计算方法不同。 源中提取符合需要的、简洁的、精炼的信息，必须将采集下 大多数的文本分类的分类对象都是多主题甚至跨学科 来的内容进行科学分类，以保证信息的有序性和实用性。因 的文本，例如对报纸上各类广告的分类，涉及到汽车、房地 此，文本分类成为处理和组织大量文档数据的关键技术。 文本分类(Text Categorization／Text 产等多个主题，分类类别范畴较大，类别划分比较粗犷；但 Classification，TC)是指在给定分类体系下，根据文本内 是对于科学研究的专业阅读来说，更需要对同一主题检索到 的文献进行进一步的分类；同时，上面介绍的方法所使用的 容确定文本类别的过程。这样用户不但能够方便地浏览文 算法非常复杂，操作起来不方便，不适合对于同一主题内论 档，而且可以限制搜索范围来使文档的搜索更容易、快捷。 文的精细分类。寻找一种专题领域内的简便的文本分类算法 文本分类分为手工和自动两种。手工分类就是人工将每 显得更具有实用价值。本文尝试利用PubMed的相关文献记录 篇文档分配到相应的类别下。但是这种方式的代价比较昂 （Related Articles）功能，对通过主题词检索到的PubMed 贵，不适于处理大规模的因特网上的文档。文本自动分类就 文献记录进行分类。 是由计算机自动提取文本的特征项，依据一定的算法，将文 在PubMed的检索结果中，系统提供了“相关文献” 本按内容或属性归到一个或多个类别的过程。其中特征(特 （Related Articles）链接功能，当用户浏览某文章的摘要 征项)用来刻画文本的内容或主题，通常可以是字、词或词 时，页面右侧就会自动列出用户可能感兴趣的相关文章的题 组等，它们的出现具有一定的规律，对文档或文档类有一定 目，给用户提供相关文献的参考。用户可以点击“related 的代表性。特