1、作為生物醫(yī)學信息抽取領(lǐng)域的重要分支，實體關(guān)系抽取的作用舉足輕重。其中，細菌與其生存環(huán)境之間的交互關(guān)系抽取可以進一步發(fā)現(xiàn)生物之間的關(guān)聯(lián)機制，對微生物學的發(fā)展，如食品加工和安全、健康科學和廢物處理等領(lǐng)域有著非常重要的意義。然而目前現(xiàn)有的抽取方法性能并不是十分理想，因此如何提高細菌與其生存環(huán)境的交互關(guān)系抽取的性能是本文研究的重點。
　　在采用基本特征的基礎(chǔ)上，加入詞向量、布朗聚類特征、外部資源特征、實體類型特征進行關(guān)系抽取，構(gòu)建了一個基

2、于SVM的簡單高效的關(guān)系抽取系統(tǒng)。首先，考慮到生物醫(yī)學特點，采用面向生物醫(yī)學文本的詞向量作為特征，從背景語料中學習潛在的語義信息；然后，通過布朗聚類方法將相近的實體對聚為一類，并將聚類結(jié)果表示為特征；接下來，將物種和術(shù)語信息作為外部資源特征加入到特征集合中；最后，由于實體在句子中出現(xiàn)在不同的位置往往有不同的含義，例如，出現(xiàn)在標題和正文的實體重要程度是不同的，因此將此信息作為特征。在2016年 BioNLP-ST的 BB任務(wù)測試集上獲得了

3、49.11%的F-值。
　　雖然SVM方法可以利用領(lǐng)域?qū)＜铱偨Y(jié)的一些特征，但這種方式不能學習到深層的語義信息，而深度學習方法可以通過迭代訓練獲得深層的語義信息。因此，本文采用深度學習的方法進行關(guān)系抽取，提出了一個基于動態(tài)拓展樹的雙向 LSTM框架（DET-BLSTM），首先，利用解析器解析獲取最短路徑樹，針對語料進行分析，將路徑長度過短的樹進行動態(tài)拓展。然后，將詞向量、詞性向量和距離向量拼接后的結(jié)果作為輸入。接下來，構(gòu)建雙向 LS

4、TM分別從動態(tài)拓展樹的前向和后向獲取信息，并使用Softmax進行分類。最后，綜合考慮到淺層、深層兩種方法的優(yōu)缺點，將兩者進行結(jié)合，即利用SVM系統(tǒng)的預(yù)測結(jié)果進行后處理，在測試集上獲得58.15%的結(jié)果，獲得了目前在該數(shù)據(jù)集上最好的結(jié)果。
　　綜上，本文分別采用了淺層和深層兩種不同的方法進行關(guān)系抽取，最后為了利用領(lǐng)域?qū)＜医?jīng)驗提供的知識，將淺層方法的預(yù)測結(jié)果對 DET-BLSTM的預(yù)測結(jié)果進行后處理。最終結(jié)果比目前最好系統(tǒng)的F-值提