潜在语意索引在生医文件分类之应用.pptVIP

潛在語意索引在生醫文件分類之應用 報告大綱 緒論 文獻回顧 研究架構與方法 實驗結果與分析 結論與未來展望 研究動機 2000年→人類基因圖譜定序後 更加速基因體學、蛋白質體學的研究熱潮 巨量、多樣性的生物醫學文件不斷的出現在各種電子期刊上 美國國家醫學圖書館(National Library of Medicine, NLM), 國家生物技術資訊中心(National Center for Biotechnology Information, NCBI)是生醫專家搜尋生物醫學文獻的最佳管道 所有科學研究→由文獻探討開始 研究目的 PubMed文獻資料庫 自動挑出蛋白質與蛋白質交互影響 (Protein-Protein Interaction, PPI)的文獻標題及摘要 實驗重點 比較支援向量機(SVM)和貝式分類器(NB)在分類演算法對採掘生醫文獻的效果 探討使用潛在語意索引(LSI)特徵表示法及使用資訊獲利量(IG)關鍵字對PPI相關文件分類的影響 蛋白質與蛋白質的交互作用 所謂蛋白質與蛋白質的交互作用(Protein-Protein Interactions, PPI)係指細胞內的兩條蛋白質之間的交互作用，這種蛋白質與蛋白質間的交互作用，環環相扣形成一個巨大的網狀關係(如圖2.1)，深刻地影響整個細胞生理作用的調節 PPI文獻的相關研究 Marcotte et al.(2001) 從MedLine中選出有PPI相關的260篇文獻 從這些文獻中選出80個特異字 利用貝氏機率理論 Craven and Kumlien(1999) 將已審查和分類完成的文獻大約分成五類 利用類神經和貝氏機率 文字探勘 文字探勘(Text Mining) 從非(半)結構化文件中，擷取隱晦有用的片段、模型或規則及未被發掘、有潛在價值的資訊或知識 技術：資訊檢索、資訊萃取、計算語言學、自然 語言處理、資料探勘技術、知識表示 應用：資訊搜尋、訊息過濾、知識萃取、知識管 理、決策輔助 文件分類的二個步驟 特徵的選取和文件的描述 利用適當的分類器進行自動化分類 潛在語意索引 潛在語意索引(Latent Semantic Index, LSI) 從文件字詞中發現隱藏語意的方法 克服一詞多義(Polysemy)和一義多詞(Synonymy)問題 主要理論基礎 線性代數中的奇異矩陣分解(Singular Value Decomposition, SVD)法 使用關鍵字的組合來描述文件集中潛在的槪念 SVD使用特徵縮減的方法 從原始的大量特徵中萃取出小量但顯著的特徵組合以降低資料雜訊 Examples of LSI 假設各分量所代表的關鍵字分別是 (數學, 物理, 化學, 國文, 英文, 國畫, 鋼琴, 舞蹈) 索引1: LSI1(1,1,1,0,0,0,0,0)潛在語意=科學 索引2: LSI2(0,0,0,1,1,0,0,0) 潛在語意=語文 索引3: LSI3(0,0,0,0,0,1,1,1) 潛在語意=藝術 有時潛在語意很難解釋, 例如 索引4: LSI4(-1,-1,-1,0,0,1,1,1) LSI相關研究 Hull(1994) 結合類神經網路與潛在語意索引應用在資訊檢索 Dasigi et al.(2001) 結合LSI與類神經網路進行文件分類的研究 使用Reuters-22173文件資料集 國內部份 利用隱在語意索引進行文件分段之研究 應用在中文資訊檢索 自動化文件分類 資訊獲利量 資訊獲利量(Information Gain, IG)由 Quinlan 於1979 年提出,使用於 ID3決策樹演算法 資訊獲利量＝測試前的資訊量－測試後的資訊量 資訊獲利量在文件分類中常被拿來衡量詞彙好不好的指標 支持向量機 支持向量機(Support Vector Machine, SVM) 1995年由貝爾實驗室的Vapnik 提出 以統計學習理論為基礎, 運用於樣式分類的機器學習演算法 應用成功的領域 手寫識別、語音識別、人臉偵測、文件分類、光學辨識系 統、財務時間序列分析及垃圾郵件等 在高維度的空間中找出一個最佳化的分隔超平面(Optimal Separating Hyperplane, OSH)來區分資料，使其與區分的兩類別資料間有最大的邊界 使用Soft Margins解決資料的雜訊 支持向量機(續) 貝式分類器 貝式分類器(Na?ve Bayes, NB)，以機率理論為基礎，用於分類預測的機器學習演算法 主要是以貝式定理（Bayesian Theorem）為基礎，用以判斷未知類別的資料應該最接近哪一個類別 實驗流程圖 實驗設計 評估方法 ROC曲線 實驗結果