1、當前，出版的生物醫(yī)學文獻呈指數(shù)級增長，成為一座巨大的知識寶庫。由于生物醫(yī)學文獻絕大多數(shù)都是以文本方式存在，從這座寶庫快速有效地進行文本挖掘，提取生物醫(yī)學知識的需求變得非常迫切。生物醫(yī)學文本挖掘主要依賴于自然語言處理技術(shù)和機器學習方法從海量生物醫(yī)學文獻中有效地找到所需信息、發(fā)現(xiàn)隱藏的生物醫(yī)學知識。 本文首先介紹了文本挖掘技術(shù)及其應(yīng)用，接著介紹了生物醫(yī)學領(lǐng)域文本挖掘技術(shù)的當前研究現(xiàn)狀以及本人在該領(lǐng)域所作的相關(guān)研究。 本文提出

2、了一個基于改進編輯距離算法的生物實體識別方法，這是一種基于詞典的方法：通過改進編輯距離算法提高識別的召回率，并采用POS擴展、利用上下文線索等語言知識以及前后綴詞擴展、合并鄰近實體等規(guī)則進一步提高性能。在JNLPBA2004測評語料上的實驗表明其性能遠遠高于基于字符串完全匹配的詞典方法(綜合分類率F分別為68.48％和47.7％)。 當前流行的機器學習方法的生物實體識別性能還有很大的提升空間，本文提出了一個基于條件隨機域(CRF

3、s)與上下文線索的生物實體識別方法。該方法首先選取合適特征，使用條件隨機域進行生物實體識別；同時充分利用語言學的知識，使用上下文中存在的三種啟發(fā)式語法結(jié)構(gòu)(上下文線索)：括號對、啟發(fā)式語法結(jié)構(gòu)和交互詞提示，根據(jù)其提供的實體及其類別信息進一步提高識別性能。在JNLPBA2004和BioCreative2004task lA測評語料上的實驗結(jié)果表明上下文線索的引入提高了性能三個百分點左右。 從生物醫(yī)學文獻中抽取蛋白質(zhì)交互作用關(guān)系對蛋

4、白質(zhì)知識網(wǎng)絡(luò)的建立、蛋白質(zhì)關(guān)系的預(yù)測、新藥的研制等均具有重要的意義?；谧匀徽Z言處理的系統(tǒng)通過分析語法結(jié)構(gòu)進行關(guān)系抽取，能獲得較高的準確性。本文提出了一個基于鏈接語法分析的蛋白質(zhì)(基因)交互作用關(guān)系的抽取方法。該方法使用條件隨機域(CRFs)與上下文線索結(jié)合的生物實體識別方法，再通過鏈接語法分析劃分語法成分，從語法成分及其合理組合中抽取蛋白質(zhì)(基因)交互作用關(guān)系。實驗結(jié)果表明該方法的召回率以及綜合分類率F指標都高于使用同一測試語料的其他

5、系統(tǒng)。 基于機器學習和統(tǒng)計的方法可以獲得較高的召回率，本文提出了一種基于支持向量機(SVM)的蛋白質(zhì)交互作用關(guān)系抽取方法。該方法除了選取詞項特征、關(guān)鍵詞特征、實體距離特征以及鏈接特征等特征外，還利用鏈接語法分析方法可以獲得較高準確率的特性，引入鏈接語法分析方法抽取結(jié)果特征，在損失較少關(guān)系抽取召回率性能的情況下，較大地提高了準確率，從而最終提高了綜合分類率。實驗結(jié)果表明該方法的召回率性能與使用同一測試語料的其他系統(tǒng)相比具有明顯的優(yōu)

6、勢，綜合分類率F指標也高于其他系統(tǒng)。海量的生物醫(yī)學文獻給應(yīng)用文本挖掘技術(shù)進行隱含醫(yī)學知識發(fā)現(xiàn)提供了前所未有的機會。本文提出了一個生物醫(yī)學領(lǐng)域的假設(shè)生成方法，該方法對醫(yī)學文獻記錄中的醫(yī)學主題詞MeSH及自由文本中的醫(yī)學概念同時進行相關(guān)概念提取，彌補了當前研究只使用其中一個的不足。同時基于UMLS Knowledge Sources，進行基于概念的查詢擴展，提高了相關(guān)記錄的召回率，并通過語義過濾，降低了搜索空間。通過驗證魚油與雷諾氏病關(guān)聯(lián)的