基于深度学习的生物医学实体关系抽取方法研究

发布时间：2021-02-02 17:56

　　近些年来互联网发展的速度越来越迅猛,尤其是推动了生物医学领域的进步,文献的数量剧增,几乎呈“指数级”的趋势,海量的生物医学文献中,包含着大量的医学实体、实体关系同时也隐含着诸多知识,待研究者们去挖掘,但是仅通过人工阅读的方式从中获取有价值的信息显然是不太可行的,主要由于会消耗大量的人力成本和时间,而且效率也不高。随着机器学习、深度学习、自然语言处理等人工智能的技术普及度越来越高,诸多的研究人员,将技术应用于实践中,譬如文本挖掘领域,旨在可以从海量的文献中高效的挖掘出隐藏的知识,从而做更深入的研究。奥巴马曾经在2015年提出了一个关于精准医学的方案,随着精准医疗计划的普及,基于生物医学领域的文献进行实体关系的抽取也得到了广泛的关注,同时也为了更好的服务于精准医疗奠定了一个良好的基础。针对于生物医学范畴的文献中包含着多种医学实体,例如:基因实体、药物实体、化合物等,实体之间也包含着多种关系（基因-蛋白质、药物-药物、蛋白质-化合物等）,基于生物医学领域文献进行实体关系抽取是自然语言处理（NLP）中的一个重要研讨课题,目前,该领域有多种实现的方法:（1）共现、（2）规则、（3）机器学习、（4... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

生物医学文献增长趋势图

图 1.2AI、ML、DL 三者关系图知，可以说它并不是和机器学习并驾齐驱，习机制、思维方式，将自学习的功能赋予到（Machine Learning）、DL（Deep Learning）大的集合，里面包含着 ML 领域，同时，M大的 AI 的集合中。DL 模型是具有深层计。这样的操作方式可以对语音识别、文本对究等诸多领域的新技术问题进行改进。DL域中的已有的方法去不断的更新，比较常用大的数据集中发现较为复杂的结构。CNN[17图像等。而 RNN[18]则对文本或者语音等和ML 的方法不是完全相同的，深度学习的方法

图 1.3 机器学习与深度学习区别图在诸多的领域中都用到了深度学习，如图像检测，NLP 等诸多的行业中都被普遍采用，众多的研究者们将深度学习的方法应用在学术界，而现如今，一些知名企业也将学术理论应用在现实的需求当中，将 AI 的技术应用到了实际的产业当中，打造生态链，为众多的行业带来了便利，将 AI 中的语音识别技术与传统的电子产品相结合，打造出智能音箱，现如今使用人工声控的方式来操控音响，可以与音响聊天、讲故事、播放音乐等，为人们带来了欢乐的同时也很好的带来一些便利；将人工智能的能力赋予到医疗行业中，例如百度灵医团队将自然语言处理、深度学习、机器学习等技术应用在医院的落地场景，智能的实现了挂号、分诊服务，根据患者的主诉以及多轮交互推荐患者应该挂的科室，并根据该科室所推荐的医生来挂号，缓解了医院人众多挂号难的问题，还有将 AI 的能力与影像识别相结合打造出 AI 眼底筛查一体机，为众多的青光眼、白内障、视网膜病变的潜在患者进行早期的筛查，进而达到提前治疗和预防的效果，可以真正的实


本文编号：3015129