發(fā)布時間：2025-01-09 01:51

　　目的本研究對生物醫(yī)學(xué)事件中觸發(fā)詞及屬性進(jìn)行聯(lián)合識別研究,通過構(gòu)建雙向長短期記憶-條件隨機(jī)場（Bidirectional Long Short-Term Memory-Conditional Random Field,BiLSTM-CRF）模型,將事件觸發(fā)詞及屬性的聯(lián)合識別工作,轉(zhuǎn)化為對句子中單詞的序列標(biāo)注問題,利用詞向量、依存關(guān)系進(jìn)行特征學(xué)習(xí),并以藥物警戒性事件為實(shí)證對象,對其結(jié)果進(jìn)行評價,為藥物警戒性事件的細(xì)粒度抽取工作提供幫助,為相關(guān)信息的挖掘工作提供支持。方法通過調(diào)研國內(nèi)外生物醫(yī)學(xué)事件抽取的相關(guān)文獻(xiàn),對事件觸發(fā)詞、屬性的識別工作展開研究,對其采用的方法進(jìn)行梳理,確定本研究的識別方法。首先,對生物醫(yī)學(xué)事件語料進(jìn)行訓(xùn)練集、測試集的劃分,并對語料中的單詞進(jìn)行IBO體系標(biāo)注,標(biāo)注出不同類型的事件觸發(fā)詞和屬性。然后,根據(jù)大規(guī)模未標(biāo)注的Pubmed摘要進(jìn)行詞向量的學(xué)習(xí),生成詞向量特征。之后,通過自然語言處理相關(guān)的分析工具Stanford CoreNLP進(jìn)行句法分析,提取依存關(guān)系特征。之后,針對訓(xùn)練集,將詞向量特征、依存關(guān)系特征輸入BiLSTM-CRF模型中,選擇合適的參數(shù),通過標(biāo)注好的事件觸發(fā)...

【文章頁數(shù)】：48 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1生物醫(yī)學(xué)事件實(shí)例

第1章緒論2取的核心。除了基本的事件結(jié)構(gòu)，Thompson等人[11]提出基于事件的研究往往忽略了一些附加信息，這些信息能夠決定一個事件是否表示一個事實(shí)、假設(shè)、實(shí)驗(yàn)或者分析結(jié)果，是否是新穎的，是否被推測或者否定，我們可以稱之為事件的屬性。這些附加信息能夠更加細(xì)粒度地解釋一個事件，....

圖1.2技術(shù)路線圖

第1章緒論4圖1.2技術(shù)路線圖1.4論文組織框架根據(jù)論文研究思路與研究內(nèi)容，結(jié)構(gòu)組織如下：第1章緒論。主要介紹本研究的研究背景、研究目的與意義，研究內(nèi)容這幾部分。第2章生物醫(yī)學(xué)事件抽取相關(guān)研究。本章主要對生物醫(yī)學(xué)事件抽取的一般流程、國內(nèi)外相關(guān)研究進(jìn)行介紹。內(nèi)容包括對生物醫(yī)學(xué)事件中....

圖3.1觸發(fā)詞及屬性聯(lián)合識別模型

第3章觸發(fā)詞及屬性聯(lián)合識別研究14第3章生物醫(yī)學(xué)事件中觸發(fā)詞及屬性聯(lián)合識別研究本章提出生物醫(yī)學(xué)事件中觸發(fā)詞及屬性的聯(lián)合識別方法。在前人[61]基于深度學(xué)習(xí)的觸發(fā)詞識別研究中，BiLSTM-CRF方法的識別效果表現(xiàn)良好，本研究也將聯(lián)合識別的問題通過BiLSTM-CRF轉(zhuǎn)化為序列標(biāo)注....

圖3.2Skip-gram模型

第3章觸發(fā)詞及屬性聯(lián)合識別研究16圖3.2Skip-gram模型（2）依存特征事件觸發(fā)詞及屬性除了本身的詞向量特征外，還因?yàn)樵谏�物醫(yī)學(xué)事件的句子結(jié)構(gòu)中承擔(dān)的作用不同，其依存特征也是特征選擇的重要部分。每種句子成分之間都存在依存關(guān)系，根據(jù)不同的依存語法關(guān)系選用合適的工具進(jìn)行依存句法....

本文編號：4024959