基于组合深度学习模型的生物医学事件抽取机制

《基于组合深度学习模型的生物医学事件抽取机制》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号TP391.1学号201513703036学校代码10488密级硕士学位论文基于组合深度学习模型的生物医学事件抽取机制学位申请人：童健学科专业：软件工程指导教师：刘钊答辩日期：2018.5.19ADissertationSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofMasterinEngineeringBiomedicaleventextractionmechanismbasedoncombineddeeplearni

2、ngMasterCandidate：JianTongMajor：SoftwareEngineeringSupervisor：Prof.ZhaoLiuWuhanUniversityofScienceandTechnologyWuhan,Hubei430081,P.R.ChinaMay,2018武汉科技大学研究生学位论文创新性声明本人郑重声明：所呈交的学位论文是本人在导师指导下，独立进行研究所取得的成果。除了文中已经注明引用的内容或属合作研究共同完成的工作外，本论文不包含任何其他个人或集体已经发表或撰

3、写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。申请学位论文与资料若有不实之处，本人承担一切相关责任。论文作者签名：日期：---------------------------------------------------------------------------------------研究生学位论文版权使用授权声明本论文的研究成果归武汉科技大学所有，其研究内容不得以其它单位的名义发表。本人完全了解武汉科技大学有关保留、使用学位论文的规定，同意学校保留并向有

4、关部门(按照《武汉科技大学关于研究生学位论文收录工作的规定》执行)送交论文的复印件和电子版本，允许论文被查阅和借阅，同意学校将本论文的全部或部分内容编入学校认可的国家相关数据库进行检索和对外服务。论文作者签名：指导教师签名：日期：摘要生物医学事件抽取是生物医学信息抽取的研究焦点，研究的是分子层面的蛋白质间的关系和变化，以及这些关系和变化的类型与参与元素。目前，很多通用事件的抽取机制已经在生物医学事件抽取问题上取得了较好的成绩，但同其它领域相比，抽取的准确率和召回率都还普遍偏低，还有很大的提升空间。

5、本文提出了使用组合深度学习模型进行生物医学事件抽取的机制，充分利用不同模型的优势，在语料的时序和空间结构两个方面进行特征提取，取得了高精度的抽取结果。本文沿用经典的流水线式抽取流程：预处理，特征提取，触发词识别，事件元素检测，规则后处理。首先根据生物医学事件的定义，对原始语料进行预处理，使语料更适合于抽取任务；利用分布式语义词向量，结合基础的依存句法结构特征和位置特征，生成语句的特征向量表达，然后使用循环神经网络模型充分挖掘句子的时序信息；使用卷积神经网络模型进行分类，识别出触发词和事件类别；在事

6、件元素检测阶段，同时对简单事件和复杂事件进行抽取，以上一步获得的深层特征和触发词为基础，结合卷积神经网络进行事件元素的识别，一次性识别出所有的关系对，再根据关系的类别生成对应的简单事件和复杂事件；最后结合生物医学事件的领域特征，定义规则进一步优化元素检测的结果，生成结构化的生物医学事件。本文在BioNLP’09共享任务提供的语料集上进行实验，并取得了较高的识别效果。实验结果表明，该方法在生物医学事件抽取任务上是可行的。关键词：生物医学；事件抽取；深度学习IAbstractBiomedicaleve

7、ntextractionisthefocusofbiomedicalinformationextraction.Itstudiestherelationshipandchangeofproteinsatthemolecularlevel,andfindsouttheirtypesandparticipatingelements.Atpresent,manycommoneventextractionmechanismshaveachievedgoodresultsintheextractionofb

8、iomedicalevents,butcomparedwithotherfields,theprecisionratesandrecallratesaregenerallylow,thereisalotofroomforimprovement.Thispaperproposesamechanismforextractingbiomedicaleventsusingacombineddeeplearningmodel.Itmakesfulluseoftheadvantagesofdi