生物医学事件抽取的触发词驱动与论元特征泛化方法

A mass of biomedical literature resources contain a large number of valuable medical knowledge. How to use event extraction techniques to extract available knowledge for biomedical research is a hotspot. Existing research on biological event extraction pays scant attention on trigger recognition, and lacks of feature generalization ability for data sparse. In response to these problems: (1) taking biomedical event trigger as the core, study the recognition of context features and the syntactic or semantic features, pay special attention to the unique role of predicate argument structure (PAS) features in identifying trigger, and then build a rich and comprehensive personalized feature set. (2)Constructing feature fusion model of event trigger based on divide and conquer strategy which can avoid feature missing and explore different features in peculiar way, it can enhance the performance of trigger detection. (3) A semi-supervised learning method called Biomedical event feature coupling generalization (Befg) is introduced by combining labeled and unlabeled data，from which more new generalized features for argument detection can be derived, and the data sparseness in biomedical event extraction can be solved. The aim of this system is to enhance the performance of event extraction and promote the application and popularization of the extraction results in systems biology.

海量生物医学文献资源隐含着大量有价值的医学知识，采用生物医学事件抽取技术从中提取可供生物医学研究利用的新知识成为新兴研究热点。现有生物医学事件抽取研究对触发词识别的关注度不够，又缺乏面对数据稀疏的特征泛化能力。针对上述问题：（1）以生物医学事件触发词为核心，研究各类上下文环境特征、句法与语义特征对触发词的辨识度，特别关注谓词参数结构（PAS）特征在触发词判别中的独特作用，构建丰富全面且具个性化的特征集。（2）构建基于分治策略的事件触发词特征融合模型，既避免特征缺失，又以独特方式发掘不同类型特征的作用，提高触发词识别性能。（3）结合标注语料和未标注语料，引入生物医学事件特征耦合泛化（Befg）的半监督学习方法生成更具泛化性的事件论元检测特征，解决生物医学事件抽取的数据稀疏问题。最终提高生物医学事件抽取性能，推进抽取成果在系统生物学等领域的实际应用和普及。

随着生物医学文献数量的飞速增长，如何运用信息抽取技术从海量文献中抽取有用信息备受研究者关注。其中，生物医学事件抽取在构建通路、丰富数据库等领域具有广泛的应用价值，成为研究热点。本项目以生物医学文献为数据源，围绕生物医学事件抽取的主题任务展开关键技术的研究，旨在从海量生物医学文献中有效提取和组织结构化信息，发现潜在的知识供生物医学领域研究与应用。项目研究中以蛋白质交互作用关系(Protein-Protein Interaction，PPI)抽取为基础，分别使用丰富特征与多分类器融合方法，结合主动学习和多核融合的方法进行蛋白质相互作用关系抽取。在此基础上，深入探讨复杂的生物医学事件抽取技术方法，分别使用基于混合模型、基于深层句法分析方法解决生物事件触发词抽取存在的歧义与性能低下问题；针对已标注语料稀缺、特征稀疏等问题，采用自训练与半监督的特征耦合泛化方法进行事件抽取，有效地提高了生物医学事件抽取的整体性能。此外，本项目还在生物医学知识发现和蛋白质复合物识别等方面进行了一定的延伸探索，采用基于语义关系抽取和深度图搜索方法提取疾病知识；引入监督学习的分类方法，结合集成生物文献蛋白质关系的策略建立了蛋白质复合物识别系统。.本项目开发完成了一个生物医学事件抽取系统，相关研究取得2项计算机软件著作权登记证书（登记号：2014SR183643，2014SR156358），获辽宁省科学技术三等奖1项。发表和录用论文合计6篇，其中，在国际期刊BMC Medical Genomics发表1篇（SCI检索，影响因子3.91）；被本领域顶级会议IEEE International Conference on Bioinformatics & Biomedicine 2014录用1篇（EI）；被国际期刊Journal of Computational Information Systems录用1篇（EI刊源）；被《中文信息学报》等国内核心期刊录用3篇。培养博士生2名，硕士生5名(已毕业2名)。