基于支持向量机的蛋白质命名实体识别的研究.docVIP

Hans Journal of Computational Biology计算生物学, 2011, 1, 5-10 /10.12677/hjcb.2011.12002 Published Online December 2011 (/journal/hjcb) Research of Protein Named Entity Recognition Based on SVMs* Lejun Gong , Yaxing Fu , Xiao Sun , Jianming Xie , Shuangxin Yu 1,2 1 1 1 1 1 Department of Biological Science and Medical Engineering, Southeast University, Nanjing Faculty of Computer Engineering, Huaiyin Institute, Huai’an Email: glj98226@163.com 2 Received: Sep. 8th, 2011; revised: Oct. 19th, 2011; accepted: Oct. 23rd, 2011. Abstract: This paper describes an approach to identify protein named entity using Supports Vector Machines (SVMs), and selects four groups of features to do experiments for the protein corpus. Experiment results show the system performance of context features increases smaller than baseline system, and the combined feature of part of speech (POS) and word type is achieved 78.43% accuracy which is the best performance in all ex- periments. The research results show the combined feature of POS and word type play important roles in the protein entity recognition. Keywords: Supports Vector Machines (SVMs); Protein Entity Recognition; Feature Selection 基于支持向量机的蛋白质命名实体识别的研究* 龚乐君 1,2，付亚星，孙啸，谢建明，于双鑫 1 1 1 1 1 东南大学生物科学与医学工程学院，南京 2 淮阴工学院计算机工程学院，淮安 Email: glj98226@163.com 收稿日期：2011年 9月 8日；修回日期：2011年 10月 19日；录用日期：2011年 10月 23日 摘 要：发展一种利用支持向量机识别蛋白质命名实体的方法，选择四组特征对蛋白质语料进行识别 实验。实验表明，与基线系统相比，上下文特征有较小的增幅，而当前词的词性及词形的组合特征获 得了最好的性能，达到 78.43%的准确率。这一研究结果显示词性及词形特征在蛋白质实体识别中起着 重要的作用。 关键词：支持向量机；蛋白质实体识别；特征选择 1.引言 实体。蛋白质参加绝大部分的生命活动，在生命活动 过程中扮演极其重要的角色。蛋白质是基因功能的执 行者，蛋白质机器运转失常会引发机体功能障碍，从 而导致疾病。因此，生命科学中大量的生物医学文本 与蛋白质关联，识别生物医学文本中的蛋白质名称是 命名实体的主要研究任务。 生命科学和技术的发展促进产生各种生物信息， 而大量的生物信息散布在各种文献中，以文本的形式 呈现。对这些生物医学文献进行加工和集中处理，可 [1] 以从中提炼出更多的生物信息。生物医学命名实体 识的任务则主要是从生物医学文献中抽取生物医学实 [2] DNA、RNA、疾病、化 当前，命名实体的研究的方法大致有三类，基于 规则的