文摘

为了实现相关学术信息的生物医学数据库,研究人员通常使用术语查询如蛋白质、基因,疾病,和其他生物医学描述符。然而,技术条件限制作为查询条件,因为有很多间接和概念表达式表示他们在科学文献。组合权重方案作为初始方法这一问题,提出了利用各种索引和加权方法及其组合。在前面实验的基础上,提出系统和构建评价集合,这种方法展示了有前景的结果,不断找到新的相关表达式相结合提出了加权方案。此外,可以确定最优于二进制加权的组合方案,表现出固有的特征加权方案,可以相互补充,可以找到隐藏的相关文件的基础上,提出方法。

1。介绍

技术术语意味着特定的技术概念简明和展示中扮演关键的角色和主要参数的主要点学术话语1]。此外,他们通常都用作学术信息检索的搜索查询。毫不奇怪,他们的重要性已经带领许多有趣和重要的研究人员在他们的生命周期(形成、转换和灭绝)以及自动词识别方法在文献[2- - - - - -5]。

而使用标准化的术语在写作中非常普遍的科学文献,我们经常看到详细的和描述性的语言表达式表示这些术语的含义在文本文件中,而不是直接使用条款。

表1表明作者和作家经常倾向于表达明显技术概念通过使用冗长的描述,而不是短暂的技术术语,可以导致一些因素。首先,他们倾向于描述的技术成分(例如,术语和术语)的更清楚的文件给予详细的解释。在某些情况下,他们认为使用现有标准术语不足以描述其进化技术概念,可以部分的使用它们。此外,即使这种情况相对少见,一些作者不知道术语的存在代表他们详细的表达式6]。

上面的写作风格介绍一些挑战学术信息检索(IR) [7)和信息提取(IE)技术文件(8]。特别是,学术文档的查询检索主要是技术术语(9),因此很可能错过有关文件不包含查询术语只涉及自己的含义,从而影响排名模型通过给隐式不正确的统计如图1。用户将过度依赖于一个作者的关键词和适当的技术术语的用法没有能力找到那些隐藏的或不同的相关文件。传统IE方法也不能检测描述性命名实体,如“…系统搜索相关文献的能力…(文本检索系统)“当他们适用于技术文档。

直到现在,已经进行了许多有价值的尝试检测重要”概念“从文本数据通过使用不同的方法10- - - - - -13]。然而,他们大多旨在识别或只提取”重要的“从文本块或短语为了提高红外或其他相关文本挖掘任务的有效性。也就是说,他们不感兴趣的文本块,拥有自己的名称或条款。为了有效地检索或分析学术信息,然而,这是至关重要的先解决这个问题,而不是试图找到重要但模糊的文本表达。作为一个最初的明显的试验来解决上面的问题,崔和Myaeng [6)引入了一个新的概念叫做“术语的解释(TP)”来表示文本表示技术术语表达。此外,他们开发了6排名(一般来说,排名模型涉及的计算指数权重(术语和帕特)以及两个文本块向量之间的相似之处;请参考[6更多细节)模型来检索和提取生物医学文摘。

介绍了一个增强的TP萃取系统中多个术语和帕特(谓词参数元组)加权方案可以互补结合从文本中提取更多的隐藏的TPs。根据前面提出的6加权方案(6),系统可以同时申请多个加权方案TP萃取过程更多的成就提取术语意译的多样性。换句话说,如果每个方案可以提取不同的TPs从别人,它是合理的假设,他们的组合可以提取更多元化的TPs在不伤害提取结果的准确性(10]。一系列密集的实验进行加权组合的性能评估和检查上面的假设。特别是,过程中发现最优二进制组合显示最好的精度,实验结果及其分析揭示了互补特性的加权方案的组合。这可能导致更先进的方法和更新颖的加权方案,进一步组合(例如,三元、四元、等等)。

剩下的纸是组织如下。部分2讨论了重要的相关工作。有一个解释关于本文系统实现的体系结构和六个加权方案所使用的系统部分3。部分4介绍了实验结果使用该系统和评估收集的结果通过显示两个权重的参数调优方案以及组合方法在本文提出的性能。此外,部分5简要分析实验结果,强调了本文的研究贡献。未来的研究建议在结论,总结本研究的意义。

2。相关的工作

本研究的研究目的是扩大覆盖面的学术信息访问通过检查术语的概念表达隐藏在文本;因此,最密切相关的研究领域是“查询扩展(量化宽松政策)9,11]。”In particular, the “自动词映射“法(11]介绍了用户查询的连接到网格描述符,杂志标题或作者名自主地通过分析他们的配置文件和日志信息。然而,查询扩展的方法在网格,因此不能使用同义词识别描述用户的查询或术语的表达除了相当大的错误发生在上述内部资源映射查询。需要好质量的受控词汇表的查询扩展使许多研究者更关注”伪相关反馈(脉冲)12,13]“扩大搜索范围有效用户的意图。在[注意到11),然而,量化宽松和脉冲重复频率不贡献增强学术文献检索。也试图提取各种表达式表示术语从软件的bug报告14]。虽然研究表明可能识别术语的意译方法第一次,他们限制主要是名词短语,这使得他们的工作几乎相同的同义词提取(15)或其他基于词汇的定量宽松政策的方法。

有另一个研究领域称为“生物医学概念识别(16- - - - - -18]。”Its purpose is to recognize biomedical terms from ontologies in texts, which remains a very open research problem. The only difference with the conventional terminology recognition problems is that the recognized and extracted terms are elements of some existing ontologies. On the other hand, the aim of this paper is to extract linguistic expressions consisting of various multiple words and phrases denoting the concepts of target terms.

正如上面提到的,另一条线的研究试图识别各种类型的语言表达式除了名词短语的术语的定义以及所有目标文本转换成谓词参数元组(拍)6]。一小块可以被定义为一个句法单位谓词的论元结构(PAS) (19),由一个或两个参数和语法关系(或称。谓词)如图2。

与目标数据库的所有句子的定义一组术语转换如上所述,一个方法是提取从数据库中定义的句子的语法变异匹配拍(6]。尽管成功的结果,这种方法提取不足更多不同的句子相同含义的目标。为了克服这个限制,本文扩展了方法,通过融合多个转换模型除了PAT-based方法。

3所示。方法

本节介绍了提出方法与整个架构的系统,利用和扩展了传统信息检索机制,如反向文件,查询处理,和多个检索模型,如图3。

3.1。词释义提取过程

图3显示了这个系统的整个过程中提取概念表达式的输入技术术语。正如上面提到的,这个系统类似于信息检索引擎,它包括查询处理、搜索、索引、等等,这可能会加快整个提取过程。首先,输入项,其明确的句子从存储库中检索各种术语定义动态存储和管理。所获取的句子语法分析和操作产生一组定义拍和重要条件,可用于两种类型的查询(PAT-based查询和基于词汇查询)在数据库中寻找类似的短语。组合短语搜索引擎基本上配备了六个检索模型,将在稍后解释。特别是,引擎可以结合多个模型希望扩大搜索范围不降低精度。

PAT-based短语检索,一个进步是引入一个特殊的反向文件结构中,所有的键都是拍与适当的标识符相关的句子有拍6]。在这项研究中,提前被加强基于索引方案修订促进前面提到的组合搜索,见右边的图4。

为了简便起见,有遗漏的统计信息,如总项频率或句子频率计算图中术语的意义。一个还指出,所有的句子标识符是由文档数据和文档中的位置。与上面的索引方案,以及各种搜索方法,系统找到最相似的句子或短语与输入从数据库中定义的句子。

3.2。多个加权方案及其组合

提出了(6),本节简要解释了四个完全加权方案用于相关性计算当这个系统提取或检索概念表达式对输入查询条件。作为权重计算方案的重要性搜索元素(例如,术语和短语),这个系统应该考虑两种类型的这些元素(术语和拍)。首先,使用两个加权方案,都基于二进制 和IDF(逆文档频率)任期如下: 在哪里是一整套文件和他们的总数在收集。

因为当地的加权方案,如是已知数据不可靠的基于句子或短语信息检索(20.全球的],本文只使用。此外,帕特的意义可以计算在以下两个方面: 帕特是一个谓词参数元组评估,它由一组参数()和一个谓语(),是一个控制因素。

此外,它被认为一个句子或短语有两种拍,根和外围拍,根据组件的句法角色的话,见图5,应该区别对待6]。

帕特可以根当且仅当它包含句子的根词(动词)或名词短语(名词)。例如,一个名词短语,“一个混合物从石油获得的液态碳氢化合物,“完全四拍:液体(碳氢化合物),获得(联合国和混合物),的(混合物和碳氢化合物),从(获得和石油)。因为“混合物“根词,获得(联合国和混合物),(混合物和碳氢化合物)成为根,而其他人则外围。认为,在比较两组拍,拍他们的根源应该更强调,因此容易增加他们的意义与每组的总意义不变更好的性能(6]。假设一个句子包含拍和他们的意义。然后调整的意义每个帕特()可以计算如下: 在哪里π和根拍之间的距离,是一组拍的吗,()确定根拍的提高程度通过产生一些外围拍的意义,如图6。

可以看到在图6,(3)带走了重量值从外围拍给了根帕特。当一个人采用加权方案,每个拍可以有不同的意义,因此调整的结果在一个更激进的变化的传播意义比统一计划(),注意到在图的底部。调整模型假定以下论点:如果根拍的两句话是相同的,那么它更有可能对语义相关。

基于上述五个加权方案,可以建立各种排序方法(相似措施)基于句子或短语检索改进向量空间模型作为基础框架。换句话说,一个句子或短语可以表示为一个向量的条款或拍然后我们可以推断出一个术语定义的相似度向量和一个句子向量如下:

在这里,,,是六个加权方案之一,是吗,,(PAT),(PAT),(PAT),(PAT)提到的。让表示一组所有的计划和权重表示它的力量集。因此,提出组合排名模型可以建立如下: 在哪里是一组基本的电源组吗然后(5)只是给出了最大相似度的值来自输入重量计划用。例如,当是,这个系统计算三个相似度值之间和基于加权方案,然后返回最大。本文结合各种排名模型通过改变这些基本集多个加权方法。

4所示。实验结果

4.1。实验装置

术语概念提取系统的实现是基于过程模型图3。自动索引是由使用Enju解析器(19)提取拍和索引词的句子。如图4,本研究开发了一个反向文件结构接受这两种指标的有效的填空题型可以检索。两个索引数据库包含计算所需的各种统计信息上面的六个权重值,如上所述的部分3.1。

评估提议的加权组合的性能,该系统使用了术语的解释识别(TPI)测试收集由(6)(表2)。

在这个集合中,每个实例有三个文本元素(术语、定义和解释)和注释(积极的,消极的,相对)。”相对”意味着解释的意义比相应的术语广泛或窄。在实验中在这项研究中,这些“相对”实例被视为积极的为了严格调查这个系统的性能。而在另一项研究[6]他们只专注于各种加权方法的提取精度,本文试图寻求最优的组合方式寻找更多隐藏的段落。

4.2。参数调优计划

在所有提出的加权准则(,,(PAT),(PAT),“(PAT)”、“(PAT)”)(PAT)方法有一个参数()决定增加程度根拍在一个句子或短语,如前所述3.2。通过使用上述TPI集合,在这项研究中一个最优值第一次被发现。”的排名变化精度(PAT)”和“(PAT)“数据所示7和8,分别。

可以看到在图7,参数不影响排名的精度”(PAT)”。这是因为根帕特强调过程部分中解释3.2积极对整个性能的影响很少,没有帮助的意义匹配块。当每一个匹配的帕特的意义是相同的(就像上面的图6),根帕特强调方法过度使用外围拍的重量值,从而导致他们几乎不能参与的情况相似度计算。

相反,当一个IDF-based PAT意义(“(PAT)”)是在这项研究中,排名的变化根帕特强调方法的精度是非常大的,可以看到图8。注意,更强调的是根拍增加,系统显示其性能越好。特别是,与,换句话说,当一个外围拍的意义几乎最大限度地代表根拍,排名精度达到最优状态。因此,从上面的结果可以画一个类比,即使根拍在发现语义相同但表面上发挥关键作用不同的表达特定的短语,外围拍也是重要因素补偿缺陷的根PAT-centric比较过程。在接下来的实验中,最好的结果在这个优化过程获得通过为“(PAT)”和“(PAT)。”

4.3。重复的权重分析方案

如果所有拟议中的权重方案将提取类似概念表达式,结合的方法在本研究中可能几乎毫无用处。因此,在本节中,有一个调查之间的重复度六加权方法之前可以有一个评价的各种组合的影响。对这部分的研究中,使用以下:TPI集合的一个子集对应15生物医学方面每一个都至少有20个实例的集合。表3显示了积累的结果合法提取的数量表达式(排名前10项)增量相结合提出了加权方案来(PAT)。括号中的数字(”()”),表示新提取的数量间接表达结合额外权重方案。例如,系统只使用可以提取10正确的表达式表示”大脑中动脉”,因此其精度排名(前十)为100%。一个可以获得额外的9个表达式相结合来,这意味着这两个计划吸引近不同的结果和他们的组合似乎是有益的在寻找隐藏的表达式对应项。同时,可以进一步提取9个新表达式通过不断结合(PAT),因此28 nonoverlapped,正确的表达出30中提取的。这样,总提出权重的组合方案,该系统可以提取38(60)的真正概念表达词的排名精度为63.3%。

总的来说,对于15中有507个间接表达的生物医学术语集合,提取117正确的(23%)。与结合,可以提取202表达式(39.8%)和一个额外的累积的结合吸引了256人相同的短语(50.5%)。最后,所有的重量计划相结合,可以提取507年350正确的表达式,这意味着提取覆盖率超过74%。此外,更值得注意的是,本研究只考虑了10高排名的表达式的每个方法,显示了组合的有利影响。

4.4。最优加权组合

部分的实验结果4.3显示6加权方案有自己的特点确定间接表达式表示技术术语,很可能他们的组合给更好的多样性和发现隐藏的有利影响相关的表达式。基于这些假设,本研究努力找到最好的二进制组合在这一节中,如表所示4。

表4和图9显示14个二进制组合的性能提供正确和不正确的数量表达式提取及其精度。注意,这两个组合加上“(PAT)”(220)和+(PAT)(219)提取最多的正确的表达,这可能反映出,IDF-based加权方案呈现有利影响这种组合过程。特别是,尽管的性能就相对较低,所示6),PAT-based加权方案在二进制组合似乎是一个有效的伙伴。此外,(PAT) +”(PAT)”优于其他组合的精确提取最小的数不正确的表达式(20)。从这个实验中,人们可以合理地推测,重要的是运用词汇权重方案基于单词和PAT-based计划提高提取生物医学术语的间接表达的准确性。

5。讨论

实验结果所示,我们的组合权重方法提取生物医学方面的间接描述可以发现额外的表达式增量,这意味着进一步加权方案使用了组合可以从科学术语找到更多隐藏的表达式。表5显示的结果中提取等效表达式的其他生物医学从PubMed数据库。

尽管一些描述表5不能直接相关的术语由于歧义的定义薮猫目标条款(“味道投递代理””香草酸”),该系统似乎捕捉到许多有用的变化的术语如“红肿和皮肤开裂”角膜“皮炎”和“障碍”“角膜疾病。”In this respect, the contribution points of the paper are as follows:(我)为了找到隐藏的,有关文件只有间接和描述性的表情代表技术术语,提出了组合权重方案,利用各种索引和加权方法及它们的组合。(2)基于组合权重的概念,一个实用的搜索引擎的检索技术术语的详细表达科学文本使用。(3)实验显示有希望的结果,不断找到新的表达式结合提出的加权方案。此外,你可以找到最优于二进制加权的组合方案。(iv)因此,我们的方法可以为系统的方法来检索隐藏但无法使用传统的有关文件,技术在生物医学领域基于词汇的搜索系统。

6。结论和未来的研究

介绍了新颖的组合权重方法操纵这个术语的定义以及目标数据库有效地找到概念术语的表达在生物领域。尽管最终研究目标,本研究是提高学术信息检索的性能,本文首先更侧重于寻找有效提取设置概念块表示术语与实验方法。为这些目的,本研究开发了一个间接表达检索系统生物医学方面配备基于加权模块以及PAT-based索引方法。同时,这项研究形式化和实现六个权重方案在这个系统。

通过评价集合构建在另一个突出的研究(6),这个研究小组进行了一系列密集的实验找到最佳的状态中提取(检索)的概念表达隐藏在文本。实验显示有希望的结果,不断找到新的表达式结合提出的加权方案。此外,你可以找到最优于二进制加权的组合方案(加上“(PAT)”,(PAT) +”(PAT)”)。

为了找到相关学术信息从科学数据库,一般来说,一个使用技术术语。然而,正如在其他研究[21),这些技术术语限制作为查询条件,因为有很多间接和概念表达式表示文本的条款。不用说,我们假设我们的研究只是处于初级阶段解决具有挑战性的问题,在未来我们有许多研究要做。

对于未来的研究,我们将努力发明更多新颖和有效的索引和加权模型来提高当前的表现。语义信息可以应用于增强PAT-based方案的报道。与此同时,我们将进行更严格的实验来评估我们的加权方案的有效性及它们的组合。最后,这需要更广泛的试验,例如,采用许多技术术语在生物医学领域以及其他科学和学术话语。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的京畿大学科研资助2014年。