基于本体的文本挖掘结果的存储和表现.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 基于本体的文本挖掘结果的存储与表现 （/cgi/mesh/2008/MB_cgi）中 A 张庆 崔雷∗ 大类-解剖类（anatomy category）、C 大类-疾病类（diseases 中国医科大学信息管理与信息系统（医学）系 110001 category）、G 大类-生物科学类（biological sciences category）主题词为研究对象，以MEDLINE 数据库中A 大类， 前言 C 大类，G 大类主题词相关文献为样本，用高频主题词共词 随着基因组学、蛋白组学、代谢组学的研究发展，生 聚类分析方法提取文献中主题词之间的二维关联规则；以肿 物医学文献的数量迅猛增长。如何在如此数量庞杂的文献中 瘤领域为例，应用规则挖掘肿瘤领域相关概念间的关系，将 找到我们需要的信息？这为生物医学信息工作者提出了机 规则返回PubMed 进行检索，得出肿瘤领域相关概念间的关 遇和挑战。文本挖掘的出现为准确快捷的发现我们需要的信 系；将概念间的关系用本体这一概念模型进行组织和表达， 息提供了有效途径。 构建肿瘤主题领域的概念体系结构，最终实现肿瘤领域文本 文本挖掘(Text Mining)是从大量文本数据中提取以前 挖掘结果的本体表达。 所未知的、有用的、可理解的模式或知识的过程。早在1986 二、研究样本 年，Swanson DR 以MEDLINE 数据库为样本开展了对科学文 利用PubMed （/ 献之间隐藏联系的研究。Swanson DR 从互不交叠的文集中， sites/entrez）检索相关文献，检索策略为各大类组配其相 即从雷诺氏病的文献集合与食用鱼油的文献集合中，分析得 应的副主题词的形式，如“Diseases Category/ virology” 出食用鱼油应该对雷诺氏病患者有帮助的假设，这一假设在 [MAJR]。首先确定各大类可组配的副主题词，然后针对每一 后来的临床实践中得到了证实。人们由此首次认识到从文献 种副主题词进行检索，对副主题词文献量小于5000篇的文献 中可以发现或者挖掘到以前未知的知识。 选用检索到的全部文献；对副主题词文献量大于5000篇的文 根据文本挖掘的定义，文本挖掘的结果都是关于某一 献在检索时直接利用medkit随机抽取5000篇，然后保存为 领域数据的模式或者知识。这些模式或者知识有多种表达方 PID格式。检索文献时选择不扩展副主题词的检索方法，即 式，如何充分表达这些知识并为以后使用（如推理等）打下 对各大类的上位副主题词检索时用“NOT”逻辑“非”将其 基础，成为文本挖掘后进一步关切的问题。本体则是表达这 下位副主题词的文献排除。由于在随机抽取的5000篇文献中 些模式或者知识的首选工具之一。 有部分由于PID文本格式中存在空行而占据位置，因此去除 关于本体（英文为Ontology，中文通常翻译为“本体”、 空行后造成实际文献数不足5000篇。 “本体论”、“概念集”等，本文使用“本体”）的定义很多。 三、研究工具 Neches(1991)将其定义为“给出构成相关领域词汇的基本术 本研究实施过程中使用的工具包括如下几种。 语和关系，以及利用这些术语和关系构成的规定这些词汇外 （一）BICOMS 延的规则的定义”；Wielinga 和 Schreiber(1993)指出，本 BICOMS （Bibliographic Item Co-Occurrence Mining 体是关于知识代理中存在的实体的理论；Alberts(