基于分类器串联融合的生物医学命名实体识别.pdfVIP

大 庆 石 油 学 院 学 报 第 35巷 第 2期 2011年 4月 Jt)URNAI()F I)AQ1NGPEI、R()IEUM INS1、I—IUTE Vo1．35 No．2 Apr． 201l 基于分类器串联融合的生物医学命名实体识别 马瑞 民，马民艳 ，王浩畅 (东北石油大学 计算机与信息技术学 院，黑龙江 大庆 163318) 摘 要 ：鉴于生物医学命名实体识别 的多数模型使用单机器学 习算法时识别效果不好 ，提 出一种基于条件 随机域 (CRFs)与最大熵(Maxent)分类器融合 的方法 ，利用基分类器之 间的相关性和互补性 ，结合有效 的特征集合 ，进行再学 习，得到融合模型．实验表明，该模型的识别性能与单一 分类器 和JNIPBA专题 会议相 关的系统 比较 ，取得很好 成绩 ，F 测度达到 7o．7 ，证明该融合方法有效． 关 键 词 ：条件随机域 ；最 大熵；分类器融合 ；特征提取 ；生物 医学命名实体识别 中图分类号 ：FP311．135 文献标识码 ：A 文章编号 ：1000—189l(2011)02—0091—04 0 引言 生物医学的快速发展产生大量的生物医学数据 ，从生物医学文献中发掘 出隐含 的生物医学知识是生 物医学信息抽取的重要意义所在 ．生物医学命名实体识别是生物医学信息抽取的一项重要任务 ，它主要是 从医学文献中发现基因、蛋 白质 、DNA、RNA 等生物医学命名实体．目前 ，生物医学命名实体识别的方法 主要有基于字典、基于规则和基于机器学习 3种方法_1J． 在生物医学命名实体识别的研究初期 ，常使用基于字典的方法，如 KrauthammerM 等 利用 DNA 和蛋 白质序列 比较工具 BLAST识别生物医学命名实体．此方法简单实用 ，对于字典 中存在 的生物医学命 名实体有极高的识别准确率 ；但 由于新 的生物医学命名实体不断出现 ，所以基于字典的方法对于 自由文本 的生物医学命名实体识别效果不佳． OlssonF等 利用基于规则的方法识别生物医学命名实体 ，F达到 67 ．与基于词典的方法 比较 ，基 于规则方法 的识别性能有所增强 ，但它具有花费大量人工劳动、可移植性差等缺点． 近年来 ，基于机器学习的方法成为生物医学命名实体识别的重要方法．文献[4—7]分别提出基于隐马 尔可夫模型、感知器 、支持 向量机 、最大熵的方法 ，这些方法把词性 、词形等特征融入到机器学习模型中，利 用训练得到的学习模型从生物 医学文本集合 中识别指定类型的名称 ．ZhouGuodong等 ]的研究 F达到 74 ． 由于基于机器学习的方法能够判别生物医学命名实体数据库中未包含的实体 ，方法灵活．该方法已成 为生物医学命名实体识别研究的主流方法．目前 ，生物医学命名实体识别的多数识别模 型是使用单机器学 习算法 ，单机器学习算法不能够取得非常好的识别效果．这说明单一算法结合丰富的特征并不能完全表达 生物医学命名实体的特点．通过对各种统计学习方法的分析可 以发现 ，不同的学习模型之间存在着互补性 和相关性 ，所 以分类器融合是一种改进 的新思路． 为此 ，笔者采用条件随机域算法和最大熵算法二者融合的方法 ，结合丰富的特征集合 ，包括局部特征 、 全文特征和外部资源特征，以提高生物 医学命名实体识别 的识别性 能． 1 算法 1．1 条件随机域算法 条件 随机域 (ConditionalRandom Fields，CRFs)在 自然语 言处理领域 当中适合解决标注序列化数据 收稿 日期 ：2010—11—03；审稿 人：刘 贤梅 ；编辑 ：陆雅玲 基金项 目：黑龙江省 自然科 学基金项 目(F200603) 作者简介 ：马瑞 民(1958 )，男 ，教授 ，主要从事数据库及相关技术方面 的研究． · 9l · 大 庆 石 油 学 院 学 报 第 35卷 2011年 任务 ，模型的特性表明它非常适用于生物医学领域的