数据挖掘济南讲座.pptVIP

作者共现 检索候选词及候选词的评价 检索超级词表，检索到包含有至少一个变形体的候选字串集合。 计算出与输入的短语词相匹配的候选词，然后用4种指标的加权平均组成的语言学评价函数计算输入短语与候选词之间的匹配程度： 中心度：即包含中心词； 变形情况：距离倒数的平均值； 覆盖面和内敛度：测量候选词与文本的匹配程度和有多少个片段 按照匹配程度排列这些候选词。 中文自然语言处理工具 中国科学院--计算技术研究所·数字化室＆软件室--中文自然语言处理开放平台/ 中文自然语言处理：工具 东北大学的自然语言处理实验室/ch_index.html 命名实体的识别：定义 生物医学领域的命名实体包括基因名称、蛋白质名称、蛋白质结构属性名称、化合物名称、药物名称、疾病名称等等。 命名实体识别（Named Entity Recognition , NER)就是将其从文本数据中识别出来。 它的主要任务包括从文本中识别命名实体，确定该实体的类型，以及出现多个实体表示同一事物时，选择一个代表该组。 命名实体的识别：意义 生物医学命名实体识别比传统意义上的NER更具挑战性： 生物医学领域新名词的不断涌现； 首字母缩写构成的基因名称被广泛认可，造成不同的基因具有相同的名称。 命名实体的识别：方法 方法可分为以下三类： 基于字典的方法，与字典词条进行比对匹配，但是不存在一部完整的包含了所有生物医学领域命名实体名称的词典。 基于规则的方法，按照定义的规则将实体与其他文本数据区分开来。 基于统计的方法，从样例数据集合中统计出相关特征和参数,以此建立识别模型，最终识别出测验文本的命名实体，也称基于机器学习的方法。 命名实体的识别：系统 SciMiner /SciMiner/ 关系抽取：定义 Relationship Extraction，RE 目标：检测一对特定类型的实体之间有没有预先假设的关系。 生物医学文本挖掘抽取的就是基因、蛋白质、药物、疾病、治疗之间的关系。 关系抽取：方法 基于模版的方式：从已知的实体周围的文本中归纳出模式，再利用这个模式对测试语料集的文本进行模式匹配。 基于统计的方法：通过寻找经常一起出现（多于随机出现）的实体而识别出关系。 基于自然语言的方法：把自然语言分解为可从中提取出关系的结构。 SemRep ablation of pituitary gland（垂体腺切除） [[head(ablation)][prep(of), head(pituitary gland)]] ablation Excision, NOS (‘Therapeutic or Preventive Procedure’, ‘Research Activity’) pituitary glandPituitary Gland (‘Body Part, Organ, or Organ Component’) SemRep 句法分析：查询规则，认为介词“of”表示的是语义网络中的“LOCATION_OF”关系， 注明该谓词的语义网络关系是： Semantic Type 1: ‘Body Part, Organ, or Organ Component’ Relation: LOCATIO N_OF Semantic Type 2: ‘Therapeutic or Preventive Procedure’ Pituitary Gland-LOCATION_OF-Excision, NOS SemRep We used hemofiltration to treat a patient with digoxin overdose that was complicated by refractory hyperkalemia Hemofiltration-TREATS-Patients Digoxin overdose (disorder)-OCCURS_IN-Patients Hyperkalemia-COMPLICATES-Digoxin overdose (disorder) Hemofiltration-TREATS(INFER)-Digoxin overdose (disorder) EDGAR Extraction of Drugs, Genes and Relations 用于在MEDLINE中确定药物、基因关系的程序。 它以前面几项工具为基础，以癌症治疗有关的药物和基因作为研究的主要领域，从文本中确认药物、基因和细胞株的名称。 ARBITER Assess and Retrieve Binding Terminology 从生物医学文本中抽取大分子键联关系 Swanson的早期探索 Don R．Swanson目前是美国芝加哥大学的信息科学荣誉教