生物医学文献中的隐含知识发现方法研究
发布时间：2023-03-16 18:13
生物医学文献是目前最重要的生物医学领域资源。随着生物医学领域研究的发展,生物医学文献的数量不断的增长。如何充分地挖掘这些海量的文献,从中发现新的生物医学知识对生命科学研究领域有重要的意义。隐含知识发现(Literature Based Discovery)方法主要研究如何从已发表的生物医学文献中挖掘出新的知识,该方法已有效地应用到药物发现、药物副作用预测和药物作用机制等研究领域。本文在前人的研究基础上,研究如何从生物医学文献中发现隐含的生物医学知识。对于给定的生物医学文献集合,目前主要有基于ABC框架和基于AnC框架两种类型的隐含知识发现方法,从中挖掘隐含的生物医学知识。基于目前隐含知识发现方法的两种模型,本文主要做了以下三方面的工作:(1)提出了新的基于ABC框架的隐含知识发现方法。ABC框架是目前使用最广泛的隐含知识发现模型,该模型主要通过单一共现的中间物质推理出间接相连的药物和疾病的关系。基于ABC框架的隐含知识发现方法具有简单高效、可解释性强的优点。其中基于发现模板的方法是目前该类方法中准确率最高的方法。该方法通过领域专家定义的发现模板进行隐含知识发现。定义好的发现模板能够较好...
【文章页数】：112 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
主要符号表
1 绪论
1.1 研究背景与意义
1.2 生物医学文本挖掘介绍
1.2.1 信息检索
1.2.2 信息抽取
1.2.3 文档摘要
1.2.4 问答
1.2.5 隐含知识发现
1.2.6 生物医学文本挖掘小结
1.3 隐含知识发现研究现状
1.3.1 基于关键词的方法
1.3.2 基于概念的方法
1.3.3 基于关系的方法
1.3.4 基于图的方法
1.3.5 混合方法
1.3.6 总结
1.4 本文主要研究思路与研究内容
2 基于强化语义模板的隐含知识发现方法
2.1 引言
2.2 相关工具及资源介绍
2.2.1 一体化医学语言系统
2.2.2 MetaMap
2.2.3 SemRep和SemMedDB
2.2.4 斯坦福句法分析器
2.2.5 支持向量机
2.2.6 协同训练
2.3 构造强化语义发现模板
2.3.1 语义类型模块
2.3.2 训练数据模块
2.3.3 模型训练模块
2.3.4 强化语义发现模板
2.4 实验结果及分析
2.4.1 关系抽取模型实验结果
2.4.2 闭合式隐含知识发现实验
2.4.3 开放式知识发现实验
2.5 本章小结
3 基于知识图谱语义分布的隐含知识发现方法
3.1 引言
3.2 相关概念和资源介绍
3.2.1 知识图谱
3.2.2 治疗靶标数据库
3.3 构造生物医学知识图谱及训练集
3.3.1 构造生物医学知识图谱
3.3.2 训练数据集构造
3.4 SemaTyP方法
3.4.1 基于知识图谱语义分布的特征抽取
3.4.2 训练模型
3.4.3 隐含知识发现
3.4.4 对比方法介绍
3.5 实验结果及分析
3.5.1 生物医学知识图谱SemKG和训练集
3.5.2 评价方法
3.5.3 十倍交叉验证
3.5.4 药物发现实验
3.5.5 实例展示
3.6 本章小结
4 基于图嵌入与深度学习的隐含知识发现方法
4.1 引言
4.2 相关技术介绍
4.2.1 知识图谱嵌入
4.2.2 循环神经网络
4.3 GrEDeL方法介绍
4.3.1 生物医学知识图谱及训练集的构造
4.3.2 GrEDeL方法整体框架
4.3.3 输入层
4.3.4 知识图谱嵌入层
4.3.5 深度学习层
4.3.6 输出层
4.3.7 GrEDeL方法应用于隐含知识发现
4.3.8 对比方法介绍
4.4 实验结果及分析
4.4.1 实验数据
4.4.2 十倍交叉验证实验
4.4.3 图嵌入层结果分析
4.4.4 深度学习层结果分析
4.4.5 开放式实验结果分析
4.4.6 闭合式实验结果分析
4.4.7 实验样例分析
4.5 本章小结
5 基于逻辑主题路径的文献选择方法
5.1 引言
5.2 逻辑主题路径文献选择方法
5.2.1 主题分布计算
5.2.2 主题路径模板学习
5.2.3 文献选择方法
5.3 实验结果及分析
5.3.1 实验数据及对比方法
5.3.2 主题分布计算结果
5.3.3 隐含知识发现结果
5.4 本章小结
6 总结与展望
6.1 结论
6.2 创新点
6.3 展望
参考文献
攻读博士学位期间科研项目及科研成果
致谢
作者简介
本文编号：3763064
【文章页数】：112 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
主要符号表
1 绪论
1.1 研究背景与意义
1.2 生物医学文本挖掘介绍
1.2.1 信息检索
1.2.2 信息抽取
1.2.3 文档摘要
1.2.4 问答
1.2.5 隐含知识发现
1.2.6 生物医学文本挖掘小结
1.3 隐含知识发现研究现状
1.3.1 基于关键词的方法
1.3.2 基于概念的方法
1.3.3 基于关系的方法
1.3.4 基于图的方法
1.3.5 混合方法
1.3.6 总结
1.4 本文主要研究思路与研究内容
2 基于强化语义模板的隐含知识发现方法
2.1 引言
2.2 相关工具及资源介绍
2.2.1 一体化医学语言系统
2.2.2 MetaMap
2.2.3 SemRep和SemMedDB
2.2.4 斯坦福句法分析器
2.2.5 支持向量机
2.2.6 协同训练
2.3 构造强化语义发现模板
2.3.1 语义类型模块
2.3.2 训练数据模块
2.3.3 模型训练模块
2.3.4 强化语义发现模板
2.4 实验结果及分析
2.4.1 关系抽取模型实验结果
2.4.2 闭合式隐含知识发现实验
2.4.3 开放式知识发现实验
2.5 本章小结
3 基于知识图谱语义分布的隐含知识发现方法
3.1 引言
3.2 相关概念和资源介绍
3.2.1 知识图谱
3.2.2 治疗靶标数据库
3.3 构造生物医学知识图谱及训练集
3.3.1 构造生物医学知识图谱
3.3.2 训练数据集构造
3.4 SemaTyP方法
3.4.1 基于知识图谱语义分布的特征抽取
3.4.2 训练模型
3.4.3 隐含知识发现
3.4.4 对比方法介绍
3.5 实验结果及分析
3.5.1 生物医学知识图谱SemKG和训练集
3.5.2 评价方法
3.5.3 十倍交叉验证
3.5.4 药物发现实验
3.5.5 实例展示
3.6 本章小结
4 基于图嵌入与深度学习的隐含知识发现方法
4.1 引言
4.2 相关技术介绍
4.2.1 知识图谱嵌入
4.2.2 循环神经网络
4.3 GrEDeL方法介绍
4.3.1 生物医学知识图谱及训练集的构造
4.3.2 GrEDeL方法整体框架
4.3.3 输入层
4.3.4 知识图谱嵌入层
4.3.5 深度学习层
4.3.6 输出层
4.3.7 GrEDeL方法应用于隐含知识发现
4.3.8 对比方法介绍
4.4 实验结果及分析
4.4.1 实验数据
4.4.2 十倍交叉验证实验
4.4.3 图嵌入层结果分析
4.4.4 深度学习层结果分析
4.4.5 开放式实验结果分析
4.4.6 闭合式实验结果分析
4.4.7 实验样例分析
4.5 本章小结
5 基于逻辑主题路径的文献选择方法
5.1 引言
5.2 逻辑主题路径文献选择方法
5.2.1 主题分布计算
5.2.2 主题路径模板学习
5.2.3 文献选择方法
5.3 实验结果及分析
5.3.1 实验数据及对比方法
5.3.2 主题分布计算结果
5.3.3 隐含知识发现结果
5.4 本章小结
6 总结与展望
6.1 结论
6.2 创新点
6.3 展望
参考文献
攻读博士学位期间科研项目及科研成果
致谢
作者简介
本文编号：3763064
本文链接：https://www.wllwen.com/yixuelunwen/yiyuanguanlilunwen/3763064.html
