《文本挖掘技术》教学大纲（本科）.docxVIP

PAGE PAGE 103 文本挖掘技术 一、课程简介 本课程是一门理论性和实践性兼备的课程。在理论方面，要熟悉文本挖掘体系架构；了解生物数据文本表示，包括生物数据术语集、数据库组织文献的方式等；掌握文本挖掘相关算法及应用，包括分类、聚类、关联规则推理等领域相关算法。在实践方面，要掌握文本挖掘相关工具，包括可扩展标记语言解析、句子切分、分词、命名实体识别、词性标注、词形归并、词组划分等工具。本课程的学习有利于加深对生物数据文本的理解、提高对生物数据文本挖掘的认识，为今后提取具体领域的实体、挖掘实体关联等打下良好、扎实的基础。 本课程的教学目的在于：培养学生分析问题和解决问题的能力；帮助学生熟悉常用的生物数据文本挖掘软件；引导学生体会文本挖掘在生物数据领域的应用。 二、理论教学内容 文本挖掘概述 了解内容：了解文本挖掘产生的背景；了解文本挖掘概念及任务；了解文本挖掘系统的体系架构；了解生物数据文本挖掘面临的问题和挑战：命名实体识别、句子切分、分词等。 文本表示 掌握内容：文本表示的定义；文本表示的模型（如向量空间模型）；特征选择，如基于权重的特征选择、布尔权值、词频权值-TF-IDF权值等、信息增益法；生物数据文本表示，如生物医学术语集、生物医学本体、掌握可扩展标记语言的格式。 了解内容：信息检索相关算法（如内积、夹角余弦等）。 文本分类 掌握内容：文本分类的定义、缩写、特点等相关概念，以及文本分类的方法与基本步骤；文本分类的评价指标，包括精确率、召回率、准确率、错误率、F-score、宏平均、微平均；基于机器学习的文本分类方法，包括决策树算法（ID3、C4.5、CART）与Boosting算法；剪枝方法，包括预剪枝方法与降低错误剪枝、悲观错误剪枝、代价-复杂度剪枝等后剪枝方法。 了解内容：基于知识工程的文本分类方法。 文本聚类 掌握内容：文本聚类的定义、缩写、特点等相关概念；数据标准化方法，包括总和标准化、标准差标准化、极大值标准化、极差标准化；距离函数，包括简单匹配系数、Jaccard系数、Rao系数等离散型特征样本的距离度量方法，以及最短距离法、最长距离法、类平均法、中心法等类间距离度量方法；三种聚类算法，包括划分聚类算法、层次聚类算法、密度聚类算法。 了解内容：文本聚类的应用领域；文本聚类的方法类型，连续型特征样本的距离度量方法。 关联分析 掌握内容：Apriori算法；基于文献的术语关联推理方法，包括NMD（Normalized MEDLINE Distance）方法、ABC原则。 了解内容：关联分析相关概念、基于本体的术语关联推理方法。 三、实验教学内容 可扩展标记语言解析 基本内容：解析可扩展标记语言。 基本要求：了解生物数据文本的表示形式以及相应的信息提取方式。 句子切分与分词 基本内容：切分句子以及分词。 基本要求：了解句子切分工具及分词工具，从而对MEDLINE文献进行句子切分及分词。 词性标注 基本内容：标注词性（名词、动词等）。 基本要求：了解词性标注工具，实现对MEDLINE文献的词性标注任务。 词形归并及词组划分 基本内容：划分词组以及归并词形。 基本要求：了解词形归并及词组划分工具，实现对MEDLINE文献的词形归并及词组划分任务。 生物数据命名实体提取 基本内容：提取命名实体。 基本要求：了解生物数据命名实体提取软件；体会基于Web服务的概念提取过程。 基于文本的术语关联推理基本内容：术语关联推理。 基本要求：掌握并实现关联分析算法，计算基于文本的术语关联程度。 四、参考资料 1.参考书 《文本挖掘技术及其应用》.谢邦昌 朱建平 李毅.厦门大学出版社.2016 《预测性文本挖掘基础》.Sholom M.Weiss.西安交通大学出版社.2012 2.网络资源 https:// /， / 五、学时分配 序号 教学内容 参考学时 总学时 理论学时 实验学时 1 生物数据文本挖掘概述 2 2 0 2 文本表示 10 6 4 3 文本分类 14 6 8 4 文本聚类 10 6 4 5 关联分析 12 4 8 合计 48 24 24