基于远监督的蛋白质交互关系抽取

《基于远监督的蛋白质交互关系抽取》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、中图分类号：TP391论文编号：102871618-SZ013学科分类号：085211硕士学位论文基于远监督的蛋白质交互关系抽取研究生姓名闵庆凯专业类别工程硕士专业领域计算机技术指导教师刘学军教授牛耘副教授南京航空航天大学研究生院计算机科学与技术学院二О一八年一月NanjingUniversityofAeronauticsandAstronauticsTheGraduateSchoolCollegeofComputerScienceandTechnologyExtractionofProtein-ProteinInteractionBasedonDistantSupervisionAThes

2、isinComputerTechnologybyMinQingKaiAdvisedbyProf.LiuXuejunandAssociateProf.NiuYunSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofMasterofEngineeringJanuary,2018承诺书本人声明所呈交的硕士学位论文是本人在导师指导下进行的研究工作及取得的研究成果。除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南京航空航天大学或其他教育机构的学位或证书而使用过的材料。本人授权南京航空航

3、天大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后适用本承诺书）作者签名：日期：南京航空航天大学全日制专业学位硕士学位论文摘要蛋白质交互关系(Protein-ProteinInteraction,PPI)是生物医学领域研究的重要内容之一，对疾病的诊断和治疗以及新药的研制具有重要的意义，目前经过实验验证得到的PPI相关知识主要以非结构化文本的形式存储于生物医学文献中。随着生物医学文献数量的飞速增长，依靠人工挖掘蛋白质交互信息的方式难以满足实际的应用需求。因此，从生物医学文献中自动抽取蛋白质交互关系成为生物信

4、息领域重要的研究课题。目前蛋白质交互关系抽取主要基于远监督的方法，通过将知识库与非结构化文本对齐来自动获取大规模训练数据，在一定程度上减轻了对人工标注语料的依赖。但是这种方法存在明显的缺陷，即在构建训练数据的过程中引入了大量的噪音数据，这些噪音会对模型的抽取性能造成很大的影响。针对这个问题，本文首先建立了基于远监督的蛋白质交互关系抽取基本模型，利用远监督产生的训练数据来训练分类模型，并在人工标注语料上进行测试，通过实验结果进一步分析了训练数据中存在的噪音问题。接下来本文建立了基于主题集合的蛋白质交互关系抽取模型，在交叉预测的基础上利用关键词和句子相似性抽取蛋白质对签名档对应的主题集合，并将主

5、题集合之外的句子视为噪音进行清除，利用去噪后的数据训练分类模型并在人工标注语料上进行测试。实验通过对多个不同参数组合进行测试，得到的最好结果与远监督基本模型相比，有交互蛋白质对和无交互蛋白质对的F1度量分别提高了1.49%和9.18%，去噪效果明显。为了充分利用训练数据中句子类别间的相互关系，本文引入了多示例多标记学习模型用于蛋白质交互关系抽取中，将蛋白质对签名档中的句子及其类别构造为多示例多标记模型，利用最大期望算法来确定句子的类别，进而清除训练数据中的噪音。实验结果表明，基于多示例多标记的迭代算法对于训练数据中的噪音识别更加准确，相比于远监督的基本模型，在有交互蛋白质的F1度量略有提升的

6、基础上，无交互蛋白质对的F1度量提高了14.84%，模型性能提高明显，且抽取结果更加平衡。关键词：蛋白质交互关系，远监督，噪音数据，主题集合，多示例多标记，最大期望算法i基于远监督的蛋白质交互关系抽取ABSTRACTProtein-proteininteraction(PPI)isoneofthemostimportantresearchcontentinthefieldofbiologyandmedicine,whichisofgreatsignificancefortreatmentofdiseasesanddevelopmentofnewdrug.Therelevantinformat

7、ionaboutPPIobtainedbybiomedicalexperimentsismainlystoredinpapersbytheformofunstructuredtexts.Withtherapidgrowthofbiomedicalpapers,themethodofcollectingPPIinformationmanuallyisdifficulttomeettherequirementof