当前位置:主页 > 医学论文 > 生物医学论文 >

融合知识库和文本信息的实体关系抽取研究

发布时间:2022-02-16 13:02
  随着互联网的发展和大数据时代的到来,生物医学文献的数量快速增长,如何从这些非结构化的文本中挖掘和整理实体关系成为人们目前迫切的需求。在生物医学领域,蛋白质实体交互关系抽取任务要求从非结构化的文本中抽取出存在交互关系的蛋白质实体对。该任务对于精准医疗、疾病发生机理、细胞稳态控制等都具有重大的意义。此外,生物医学知识库中包含了大量实体关系三元组的结构化信息。这些先验知识可以帮助我们识别复杂语义环境中蛋白质实体对的交互关系。本文探索融合知识库和文本信息方法,重点研究蛋白质交互关系抽取任务,主要研究内容如下:研究基于实体表示的蛋白质交互关系抽取。采用知识表示学习模型对知识库中的大量实体关系三元组进行学习,获得实体表示和关系表示。再利用深度学习模型将实体表示和文本信息进行融合,构建融合实体表示和文本信息的蛋白质交互关系抽取系统。实验表明,实体表示可以有效提升模型捕获与实体相关的上下文信息的能力,提升了关系抽取的精确率。研究基于关系表示的蛋白质交互关系抽取。基于知识库中一对蛋白质实体对应的关系表示,利用注意力机制抽取与实体关系相关的上下文特征,构建融合关系表示和文本信息的蛋白质交互关系抽取模型。实... 

【文章来源】:大连理工大学辽宁省211工程院校985工程院校教育部直属院校

【文章页数】:76 页

【学位级别】:硕士

【文章目录】:
摘要
Abstract
1 绪论
    1.1 研究内容及意义
    1.2 国内外研究现状
    1.3 蛋白质交互关系语料库
    1.4 知识库
    1.5 评测指标
    1.6 本文主要工作
    1.7 本文组织结构
2 关键技术概述
    2.1 卷积神经网络
    2.2 长短时记忆网络
    2.3 注意力机制
    2.4 记忆网络
    2.5 知识表示学习
    2.6 本章小结
3 基于实体表示的蛋白质交互关系抽取
    3.1 基于实体表示蛋白质交互关系抽取系统
        3.1.1 系统概况
        3.1.2 语料预处理
        3.1.3 构建候选样例和词向量序列
        3.1.4 知识表示学习
        3.1.5 基于CNN的蛋白质交互关系抽取
        3.1.6 基于LSTM的蛋白质交互关系抽取
    3.2 基于实体表示的蛋白质交互关系抽取实验
        3.2.1 基于实体表示的蛋白质交互关系抽取系统性能
        3.2.2 知识库中的蛋白质实体统计数据
    3.3 本章小结
4 基于关系表示的蛋白质交互关系抽取
    4.1 基于关系表示的蛋白质交互关系抽取系统
        4.1.1 系统概况
        4.1.2 基于门机制的蛋白质交互关系抽取系统
        4.1.3 基于关系表示特征的蛋白质交互关系抽取系统
        4.1.4 基于注意力机制的蛋白质交互关系抽取系统
    4.2 基于关系表示的蛋白质交互关系抽取实验
        4.2.1 基于关系表示的蛋白质交互关系抽取性能
        4.2.2 知识库中的关系三元组统计数据
    4.3 本章小结
5 基于记忆网络的蛋白质交互关系抽取
    5.1 基于记忆网络的蛋白质交互关系抽取系统
        5.1.1 系统概况
        5.1.2 基于文本信息的蛋白质交互关系抽取
        5.1.3 基于实体表示和关系表示的蛋白质交互关系抽取
        5.1.4 后处理规则
    5.2 基于记忆网络蛋白质交互关系抽取实验
        5.2.1 基于记忆网络蛋白质交互关系抽取性能
        5.2.2 错误分析
        5.2.3 与相关研究的对比
    5.3 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】:
期刊论文
[1]知识图谱构建技术综述[J]. 刘峤,李杨,段宏,刘瑶,秦志光.  计算机研究与发展. 2016(03)
[2]知识表示学习研究进展[J]. 刘知远,孙茂松,林衍凯,谢若冰.  计算机研究与发展. 2016(02)



本文编号:3628014

资料下载
论文发表

本文链接:https://www.wllwen.com/yixuelunwen/swyx/3628014.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户098c8***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com