医学文献主题语义相似度计算方法研究.PDF

第６１卷 第８期　２０１７年４月 医学文献主题语义相似度计算方法研究 １ １ ２ ■ 范少萍 　安新颖 　逯万辉 １ ２ 中国医学科学院医学信息研究所　北京 １０００２０　 中国社会科学院中国社会科学评价中心　北京 １００７３２ 摘要：［目的／意义］针对目前医学领域基于主题的语义相似度计算研究较少，尚不足以揭示主题间在语义 层面的关系，提出一套用于主题间语义相似度计算的方法，进而从语义角度判断主题间关系，为主题新颖性判 断、主题关联研究等提供参考。［方法／过程］以ＭｅＳＨ词表为语义计算的基础，剖析词表结构与现有研究成果， 从入口词、语义距离、注释３个维度综合测度主题间的语义相似度，利用ＰｕｂＭｅｄ中２０１１－２０１４年干细胞领域 的文献进行实证研究。［结果／结论］利用通用验证主题词对，验证了本文所提３个测度维度的有效性。通过主 题间语义相似度的计算，发现干细胞领域２０１１－２０１４年较为新颖的主题为未成年人干细胞研究。后续研究中 还需融入基于统计的主题相似度，从而更加全面地揭示主题间的关系，发现语义层面领域的新颖性研究主题。 关键词：语义相似度　ＭｅＳＨ词表　主题语义相似度 分类号：Ｇ２５０ 　　ＤＯＩ：１０．１３２６６／ｊ．ｉｓｓｎ．０２５２－３１１６．２０１７．０８．０１２ 　　语义相似度是指两个概念间的相似程度，即概念 语义相似度计算研究。 ［１］ 　　虽然上述方法已取得一定效果，但主要侧重单一 本身之间具有某些共同特性 。随着通用本体与领域 本体的日渐成熟，语义相似度研究也日益完善，已经成 方面研究相似度计算方法，如语义距离。此外，现有基 ［９－１０］ 为文本挖掘、信息检索、词义消歧等领域的热点研究方 于本体的语义相似度研究中，多使用 ＷｏｒｄＮｅｔ 、 向。 ［１１－１２］ ＨｏｗＮｅｔ 等通用本体获取概念的分类结构，进行语 　　语义相似度计算有两类方法： 基于本体或词典， ① 义相似度计算。当分类结构或者语料库发生改变时， 根据概念在本体或词典中的位置、上下位关系、属性信 需要对与分类结构有关的语义相似度方法重新计算， 息等内容计算概念间的语义相似度； 基于统计的方 ② 大大降低了方法的扩展性和适用范围。除了扩展性问 法，即通过词语所在上下文信息，运用统计学方法进行 题外，由于通用本体对医疗词汇的覆盖性有限，导致对 求解。第一类方法需依赖于现有的开放本体，已有很 医学概念相似性评估的准确性不够高。因此，一些研 多成功算法，如 ［２］ ［３］ ＳｈｏｒｔｅｓｔＰａｔｈ 、ＷｅｉｇｈｔｅｄＬｉｎｋｓ 等，上 究使用医学领域特定资源，如ＭｅＳＨ、ＳＮＯＭＥＤＣＴ以及 述方法以概念在本体树状结构中的距离为测算依据， Ｍａｙｏ诊所的结构化临床诊疗的文本数据库进行语义 充分考虑了本体结构对语义相似度的影响；Ｐ．Ｗ． 相似度算法研究。 ［４］ ［５］ Ｌｏｒｄ等 与Ｄ．Ｌｉｔｈ 提出的根据主题词所包含信息 　　基于此，本文以医学领域常用词表 ＭｅＳＨ为相似 内容，计算概念间语义相似度算法，上述方法根据主题 度计算结构本体，分析ＭｅＳＨ词表结构与信息内容，通 词在本体中父节点或自身信息量计算语义相似度； 过借鉴已有算法，提出基于ＭｅＳＨ的主题语义相似度 ［６］ Ｔｖｅｒｓｋｙ算法 等利用概念在本体中的属性集信息计 计算方法，以扩展语义相似度计算的维度。本文所提