文本挖掘在生物医学领域中的应用及其系统工具

［ ｅ ｒ ｓ ｅｔ ｉｉｇｉ ｉｍ ｄｃｎ ； ａ ｒ ｎ ｕｇ ｒｃｓｉｇ ａ ｅ ｎｉ ｃｇ ｉｏ ；ｒｌ ｉ － Ｋ ｙＷｏｄ ］ｔ ｎｎ ｂｏ ｅ ｉ ｅ ｎ ｔ ａ ｌ ｇ ａｅｐｏｅｓ ；ｎ ｍ ｄｅ ｔｙｒ ｏ ｔ ｎ ｅ ｔ ｎ ｘｍ ｎ ｉ ｕｌ ａ ｎ ｔ ｅ ｎ ｉ ａｏ
图 １ 文 本 挖 掘 基 本模 型
巨！ｉ ｌ 竺 Ｉ ｌ 盒 固 共 析
垃圾 邮件过 滤 、 户关 系 管 理 、 客 自动 简 历 评 审 等 都 是典 型 的文本 挖掘技 术 。
１２ 流 程 及 模 型 ．
１３ 技 术 ．
文本挖掘 涉及 多个 学科领域 ， 如数据库 、 信息
成 结构 化文本 ， 并根 据 该 结 构发 现 新 的概 念 及 获取 相 应 的关 系 。构成模 型如 图 １ 所示 。
数据源 ｈ叫源文本卜Ｔ 叫 ＿＿ 结构化数据ｒ Ｔ 知识或模型 卜Ｔ 叫知识 ＿叫 ＿—
数据 挖掘 （ ａａｍｉｉｇ ， Ｄ ｔ ｎ ） 又称 数据 库 知 识 发 现 ｎ （ ｎｗｅｇ ｉ ｏｅｙｉ ａａａｅ ， 指从 结构 化信 Ｋ ｏ ｌ ｅｄｓ ｖｒ ｄｔ ｓ） 是 ｄ ｃ ｎ ｂ 息 中提取人们感兴趣 的知识 。这些知识 是隐含 的 、 事 先未知 的、 潜在 的有用 信息 。文本挖 掘 （ ｅｔ ｉｉｇ Ｔｘ ｍｎｎ ）
ｓ ｉ ｘ ｒ ｃｉｎ；Ｃ —ｏ ｃ ｒｅ ｃ ｎ ｌ ｓｓ ｈｐ ｅ ｔａ ｔｏ Ｏ ｃ ｕ ｎ ｅ ａ ａｙ ｉ
１ 文本 挖掘概 述
１ １ 概 念 ．
取文本 特征 ， 将文 本数 据 转 化 为计 算 机 能识 别 的结 构化数 据 ， 后 利 用 聚 类 、 类 等 数 据 挖 掘 技 术 形 然 分
ｉ ｉｍｅ ｉａ ｅｄ ｗｅ ｅ ｉ ｔｏ ｕ ｅ ｎ ｄｅａｌｗｉｈ ｓｒ ｓ ａｄ ｏ ｈ ａｕ ａ ａ ｇ ａ ｅ ｐ ｏ ｅ ｓｎ ｎ ｂ ｏ ｄ ｃ ｌｆ ｌ ｒ ｎ ｒｄ ｃ ｄ ｉ ｔｉ ｉ ｔ ｔｅ ｓ ｌｉ ｎ ｔ ｅ ｎ ｔ ｒ ｌｌｎ ｕ ｇ ｒ ｃ ｓ ｉ ｇ，ｏ ｔｌ ｇ ，ｎ ｍｅ ｎ ｏｏ ｙ ａ ｄ ｅ ｔ ｙ ｒ ｃ ｇ ｔｏ ｎｉ ｅ ｏ ｎｉ ｎ，ｒ ｌ ｔ ｎ ｈｐ ｅ ｔａ ｔｏ ｔ ｉ ｅａｉ ｓ ｉ ｘｒ ｃｉ ｎ，ｔｘ ｌｓ ｉ ｃ ｔｏ ｎ ｌ ｓｅ ｉｇ，Ｃ —ｏ ｃ ｒｅ ｃ ｎ ｙ ｉ ，ｓ ｓｅ ｔｏｓ ｏ ｅ ｔｃａ ｓｆ ａｉ ｎ ａ ｄ ｃ ｕ ｔｒｎ ｉ Ｏ ｃ ｕ ｒ ｎ ｅ ａ ａ ｓｓ ｙ ｔｍ ｏ ｌ ｌ ａ ｄ ｔ ｅｒ ｅ ａ ｕ ｔｏ ｎ ｈ ｉ ｖ ｌ ａｉｎ，ａ ｄ ｖｓ ａｉａｉｎ． ｎ ｉｕ ｌｚ ｔｏ
Ａｐｐｌ ａｔｏ ｆｔ ｘ ｎ ｎｇ ｉ ｂ ｏ ｅ ｃ ｌｆｅｄ ａ ｔ ｙ ｔ ｍ ｏ ｌ ｉ ｉ ｎ ｏ ｅ ｔ ｍｉ ｉ ｎ ｉ ｍ ｄｉａ ｌ ｎｄ ｉｓ ｓ ｓｅ ｔ ｏ ｓ ｃ ｉ
ＬＵ ｎ ｉｎ ｕ— ａ 。 Ｔｉｇ ，Ｊａ ｇ Ｙｏ ｈ ｏ
（ ． ｄｃｌ ｉｒｒ ｏ ｈｎｓ Ｌ １ Ｍｅｉ ｂａ ｆ ｉ ｅ Ａ，Ｂｉｎ ００ ９ Ｃ ｉａ ａＬ ｙ Ｃ ｅ Ｐ ｅｉｇ１０ ３ ， ｈ ； ｊ ｎ ２ Ｄ ｐ ｒ ｅｔ ｆ ｄｃｌ ｎ ｒ ａｉ ， ｈ ｎｎｎＵ ｉｅｓｙ Ｃ ａｇｈ １０ ３ Ｈ ｎｎＰｏｉｃ ， ｈ ａ ． ｅａ ｍ ｎ ｏ Ｍｅｉ ｆ ｍ ｔ ｎ Ｚ ｏｇａ ｎｖｒｔ， ｈ ｎｓａ４０ １ ， ｕ ａ ｒ ｎｅ Ｃ ｉ ） ｔ ａ Ｉｏ ｏ ｉ ｖ ｎ
［ ｂｔａｔ ｈ ｐｃ ｃｐｏｅｓｓｏ ｔ ｔ ｉｉｇｉ ｂ ｍ ｄｃ ｅａｄｔｅａｐｉ ｔｎｏ ｘ ｎ ｇｔｃｎｌ ｙ Ａ ｓ ｃ］ｔｅｓｅｉ ｒｃｓｅ ｆｅ ｎｎ ｉ ｅｉｎ ｎ ｐｌａｉ ｆｅｔ ｉ ｈｏ ｇ ｒ ｉ ｆ ｘｍ ｎ ｏ ｉ ｈ ｃ ｏ ｔ ｍｉｎ ｅ ｏ
是数据 挖掘 的一个 方 向 ， 它所 挖 掘 的对 象 是非 结 构
唪 旦
ｌ 旦
化或半 结构化 ， 即从 数 以百 万 计 的文 本 数 据 中寻 找 潜在规律 和趋 势 。文本 挖 掘 在 商业 、 媒 、 育 、 传 教 政
府 、 行及 生 物 技 术 、 银 医疗 卫 生 等 行 业 领 域 都 发 挥 着不 可忽 视 的作 用 。搜 索 引擎 、 自动 邮件 回复 、
吕 婷 姜友 好 ，
［ 摘要 ］系统介绍 了生物 医学文本挖掘的具体流程和文本挖掘技术在 生物 医学领域 中的应用情 况， 并着重从 自然语 言处 理和本体、 命名 实体识别、 关系抽取、 文本分类与聚类、 共现分析、 系统工具及评价、 可视化等方面分别做 了阐述。 ［ 关键词 】生物 医学文本挖掘 ； 自然语言处理； 命名 实体识 别； 系抽取 ； 关 共现分析 ［ 中图分类号］ ３ ８ Ｇ ５ ． Ｒ １ ；２ ４ ０ 文献标识码 ： Ａ ［ 文章编号 ］６ １ ３ ８ （０ ０ ０ － ０ ６ ０ １７ － ９ ２ ２ １ ）４ ０ ５ － ９
检索 、 信息 提 取 、 器 学 习 、 机 自然 语 言 处 理 、 算 语 计 言学 、 统计 数 据 分 析 、 图论 等 。文 本 挖 掘 按 照 挖 掘
对象 分为 两类 。一 是 单 文本 的数 据 挖掘 ， 主要 涉及
・ຫໍສະໝຸດ Baidu
５ ６－
中华 医学 图书情报杂志 ２ １ ４月 第 １ ０ ０年 ９卷第 ４期
Ｃ ｉ ＪＭｅ ｉｒ ｎ ｅ， ｏ．９Ｎ ． Ａ ｒ ０ ０ ｈｎ ｄＬｂ ｆ ｉ １１ ｏ４ ｐ．２ １ Ｉ Ｓ Ｖ
・
生物 医药信 息研 究
文 本 挖 掘 在 生 物 医 学 领 域 中 的 应 用 及 其 系 统 工 具