大数据环境下基于生物医学本体的文献无监督分类方法研究

Every year, the number of published biomedical documents is increased sharply. To extract meaningful information from large number of documents, the research on biomedical information based document unsupervised classification methods are much important. Now, the analysis of semantic similarity measurement among biomedical literatures puts particular emphases on medical information than biological information. And also because of the mass computation in the process of semantic analysis based on ontologies, it is difficult to unsupervised classify the large number of documents. According to the proposer’s related researches, biological ontology - Gene Ontology can be applied to compensate for the lack of biological information in the biomedical analysis, and the MapReduce is used to solve the problem that it is difficult to carry out unsupervised classification of massive data because of the mass computation of the ontology based semantic similarity calculation. In order to solve the above problems, the main research contents of this project are as follows: 1. Research on MapReduce based document semantic similarity measurement algorithm; 2. Research on MapReduce based document multi-fusion similarity measurement algorithm; 3. Research on document unsupervised classification methods in the big data environment. This topic research will provide more professional information for biomedical researchers and also improve the efficiency of scientific research.

生物医学文献发表数量每年都在急速增长，为有效地从众多文献中获取有意义的信息，基于生物医学信息的文献无监督分类方法研究至关重要。现阶段，生物医学文献间语义相似度测量方法偏向医学文献语义分析，缺乏生物学文献的语义分析，且在基于本体的语义分析过程中，因计算量大而难以对大量文献数据进行无监督分类。基于申请人多年相关研究，采用生物学本体Gene Ontology可弥补生物医学文献语义分析中缺乏生物学信息的问题，同时结合MapReduce框架解决基于本体的文献语义相似度计算量大而无法对海量数据进行无监督分类的问题。为解决上述科学问题，本项目将完成以下主要研究内容：1.基于MapReduce的文献语义相似度测量算法研究；2.基于MapReduce的文献多重融合相似度测量算法研究； 3.大数据环境下文献无监督分类方法研究。本课题研究将会为生物医学科研人员提供更具专业信息的文献分类，提高科研工作效率。

生物医学文献发表数量每年都在急速增长，为有效地从众多文献中获取有意义的信息，基于生物医学信息的文献无监督分类方法研究至关重要。现阶段，生物医学文献间语义相似度测量方法偏向医学文献语义分析，缺乏生物学文献的语义分析，且在基于本体的语义分析过程中，因计算量大而难以对大量文献数据进行无监督分类。针对以上问题，本项目提出并实现了分布式环境下的基于生物医学文本内容与本体的多重融合语义相似度计算方法及无监督分类方法，弥补了目前生物医学文献语义分析中缺乏生物学信息的问题，并解决了基于本体的文献语义相似度测量中计算量过大而无法对海量数据进行无监督分类的问题。项目执行期间，具体完成以下内容：首先，提出了MapReduce框架下基于本体的文本语义相似度计算方法，实现了对大量文本进行基于本体的语义相似度快速测量；其次，研究并提出了分布式环境下的文献多重融合语义相似度测量算法，提高了文献语义相似度测量效果； 最后，提出了MapReduce框架下基于Kmeans算法的文献无监督分类方法，有效提高文献无监督分类算法的运行速度。本课题研究成果不仅有利于对生物医学科研人员提供更具专业信息的文献分类结果，提高科研工作效率，也可应用于金融、物流、市场分析等基于专业知识图谱的其他领域文本数据分析。