面向文本挖掘植物生长发育实体识别研究.PDF

数字图书馆 面向文本挖掘的植物生长发育实体识别 研究* 汪 润 何 琳 王东波 黄水清 范远标 （南京农业大学信息科学技术学院 南京 210095 ） 摘要：【目的 】研究从文本中识别植物生长发育实体（Plant Growth and Development Stage Named Entity ，PDSE ） 的抽取。【应用背景 】PDSE 从本质上来说是一种命名实体。目前有关命名实体的识别已经成为自然语言处理领 域最有价值的基础技术之一，被广泛应用于多种自然语言处理系统中。【方法 】采用基于条件随机场和规则的混 合策略，提出并实现针对 PDSE 特征的 CRF 特征模板、特征函数以及抽取规则的方法，并利用 PubMed 数据库 收录的论文进行抽取效果测试。【结果 】实验表明本文提出的混合策略能取得较高的准确率和召回率。【结论 】 本研究对生物学文本抽取具有一定的借鉴意义。 关键词：植物生长发育时期 命名实体识别 条件随机场 特征选择 分类号：TP391 提取、信息检索、文本自动摘要等自然语言处理系统 1 引 言 中。专门针对植物生长发育时期进行命名实体识别的 植物的生长是指植物的营养生长，包括种子萌发 研究还非常少见。本文通过对植物生长发育时期命名 及根、茎、叶等营养器官的出现和生长，“发育”则是 实体的特性识别和分析，利用已有的命名实体研究成 通常指生殖生长，包括成花、开花、结实的过程。植 果，将植物生长发育时期视作包含时间表达式的命名 物整个生长发育时期涉及到不同细胞间信号代谢通 实体进行研究和抽取，专门针对植物生长发育时期的 路、不同基因的表达以及基因网络的调控，因此，从 识别和抽取进行研究。 文本中抽取相关的植物生长发育时期对于生物医学文 2 相关研究综述 本挖掘研究具有重要的意义，不仅可以辅助建立植物 基因表达数据库、规范化实验过程数据，而且更有助 对时间信息的关注最早出现在消息理解会议 于基于文本的非相关文献知识发现，为科研人员提供 （Message Understanding Conference ，MUC ）的评测， 潜在的研究方向。 随后MUC 把时间信息识别作为命名实体识别的一个子 植物生长发育时期从本质上来说是一种命名实 任务。MUC-7 会议上相对时间的识别扩展成为时间信 体 ， 目 前 有 关 命 名 实 体 的 识 别 （ Named Entity 息抽取命名实体的时间识别子任务。真正推进时间信息 Recognition ，NER ），如地理行政、产品和基本名词短 抽取研究的是美国政府高级研究计划署（ Defense 语实体 [1-3]等的识别已经成为自然语言处理领域最有 Advanced Research Projects Agency ，DARPA ）的跨语言 价值的基础技术之一，被广泛应用于自动问答、信息 信息检测、抽取和摘要项目（Translingual Information 收稿日期：2013-09-10 收修改稿日期：2013-12-19 *本文系国家社会科学基金“面向知识服务的科学数据组织与应用研究”（项目编号：13CTQ035 ）、中央高校基本科研业务费资助项目 “面向qRT-PCR 实验的内参基因挖掘技术研究”（项目编号：KYZ201159 ）和南京农业大学SRT 计划项目“基于混和策略的植物生长发育 时期识别”（项目编号：1219A11 ）的研究成果之一。 22 现代图书情报技术 总第 242 期 2014 年 第 1 期 Detection ，Extraction and Summarization ，TIDES ）以及