发明名称 | 一种基于紧凑特征表示的蛋白质作用关系对抽取方法 | ||
摘要 | 本发明公开了一种基于紧凑特征表示的蛋白质作用关系对抽取方法,包括以下步骤:1)选取所需的语料,语料是以句子为单位,已经有了蛋白质实体的标注及实体关系的标注;2)舍弃步骤1)中不包含蛋白质实体或只包含一个蛋白质实体的句子,得到句子集合sen_set;3)用占位符替换句子中相应的蛋白质实体并进行占位符融合,再进行词性标注和句法分析;4)以每个实体对为单位,获取词、词性、句法和模板的特征;5)对步骤4)中获得的特征进行紧凑化表达的操作;6)利用支持向量机对从步骤4)得到的特征进行训练或者利用已训练的模型进行预测。与传统的基于特征实体关系对抽取方法相比,本发明尽最大努力利用句子中可利用的信息,极大地丰富了特征向量的信息量。 | ||
申请公布号 | CN104134017B | 申请公布日期 | 2017.01.25 |
申请号 | CN201410344712.5 | 申请日期 | 2014.07.18 |
申请人 | 华南理工大学 | 发明人 | 董守斌;曾之肇;李粤 |
分类号 | G06F19/18(2011.01)I | 主分类号 | G06F19/18(2011.01)I |
代理机构 | 广州市华学知识产权代理有限公司 44245 | 代理人 | 蔡茂略 |
主权项 | 一种基于紧凑特征表示的蛋白质作用关系对抽取方法,其特征在于,包括以下步骤:1)选取所需的语料,语料是以句子为单位,已经有了蛋白质实体的标注及实体关系的标注;2)舍弃步骤1)中不包含蛋白质实体或只包含一个蛋白质实体的句子,得到句子集合sen_set;3)用占位符替换句子中相应的蛋白质实体并进行占位符融合,再进行词性标注和句法分析,包括以下步骤:3.1)蛋白质实体的标注都是以词条为单位的,将句子中属于实体关系对的第一个实体的词条置换成_PROT_1,第二个实体的词条置换成_PROT_2,对于不属于实体关系对的但又是蛋白质实体的词条置换成_PROT_,以区别于样本实体词条,另外,对于和两个实体都有重叠的词条置换成_PROT_1_2;3.2)对句子做了占位符置换之后,会存在相同的占位符占据多个词条的情况,使用以下的规则将相邻且相同的占位符融合:3.2.1)不管_PROT_占据几个词条或是否相邻,均不融合;3.2.2)如果有连续的几个_PROT_1或_PROT_2,则把几个联系的占位符词条融合成一个,下面规则3.2.3)、3.2.4)的情况除外;3.2.3)如果_PROT_1后面紧跟着_PROT_1_2,则把_PROT_1_2前面连续的几个_PROT_1合并成一个_PROT_1,同时也把_PROT_1_2置换成_PROT_2;3.2.4)如果_PROT_1_2后面紧跟着_PROT_2,则把_PROT_1_2后面连续的几个_PROT_2合并成一个_PROT_2,同时也把_PROT_1_2置换成_PROT_1;3.2.5)如果只存在多个_PROT_1_2,则把它们合并成一个;3.3)使用词性标注工具对上面步骤产生的句子进行词性标注;3.4)使用句法分析器对句子进行依赖关系句法分析,至此便可获得句子的词性标注信息和依赖关系句法信息;4)以每个实体对为单位,获取词、词性、句法和模板的特征;5)对步骤4)中获得的特征进行紧凑化表达的操作;6)利用支持向量机对从步骤4)得到的特征进行训练或者利用已训练的模型进行预测。 | ||
地址 | 510640 广东省广州市天河区五山路381号 |