| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-21页 |
| 1.2.1 蛋白质关系抽取 | 第13-15页 |
| 1.2.2 迁移学习 | 第15-18页 |
| 1.2.3 正例未标注学习 | 第18-21页 |
| 1.3 现有研究存在的问题和不足 | 第21页 |
| 1.4 本文研究内容 | 第21-22页 |
| 1.5 论文组织结构 | 第22-23页 |
| 第二章 基于远程监督和迁移学习的PPI关系抽取 | 第23-57页 |
| 2.1 引言 | 第23-24页 |
| 2.2 方法概述与流程 | 第24-25页 |
| 2.3 远程监督构建辅助集 | 第25-31页 |
| 2.3.1 MEDLINE摘要搜集和处理 | 第26-27页 |
| 2.3.2 IntAct知识库搜集和处理 | 第27-30页 |
| 2.3.3 标准数据集 | 第30-31页 |
| 2.4 特征提取 | 第31-38页 |
| 2.4.1 数据集预处理 | 第31-33页 |
| 2.4.2 结构化表示 | 第33-34页 |
| 2.4.3 提取特征 | 第34-37页 |
| 2.4.4 特征向量构造 | 第37-38页 |
| 2.5 特征选择 | 第38-39页 |
| 2.5.1 最大相关最小冗余算法 | 第38-39页 |
| 2.6 模型构建 | 第39-42页 |
| 2.6.1 问题定义 | 第39-40页 |
| 2.6.2 TrAdaBoost算法 | 第40-42页 |
| 2.7 实验设置 | 第42-47页 |
| 2.7.1 数据集设置 | 第42-43页 |
| 2.7.2 对比算法 | 第43-45页 |
| 2.7.3 性能评估 | 第45-47页 |
| 2.8 实验结果与分析 | 第47-56页 |
| 2.8.1 与标准数据集的对比实验 | 第47-53页 |
| 2.8.2 与有监督算法的对比实验 | 第53-56页 |
| 2.9 本章小结 | 第56-57页 |
| 第三章 PU场景下基于远程监督和迁移学习的PPI关系抽取 | 第57-77页 |
| 3.1 引言 | 第57-58页 |
| 3.2 相关工作 | 第58-60页 |
| 3.2.1 贝叶斯分类模型 | 第58-60页 |
| 3.2.2 数据引力 | 第60页 |
| 3.3 方法概述与流程 | 第60-61页 |
| 3.4 特征提取和筛选 | 第61页 |
| 3.5 数据集构建 | 第61-62页 |
| 3.6 问题定义 | 第62-63页 |
| 3.7 AODE算法 | 第63页 |
| 3.8 PAODE算法 | 第63-64页 |
| 3.9 TPAODE算法 | 第64-69页 |
| 3.9.1 基于实例的知识迁移 | 第64-66页 |
| 3.9.2 分类算法 | 第66页 |
| 3.9.3 训练算法 | 第66-68页 |
| 3.9.4 正例先验概率估计 | 第68-69页 |
| 3.10 实验设置 | 第69-70页 |
| 3.11 实验及结果分析 | 第70-75页 |
| 3.11.1 针对参数Unlevel实验 | 第70-72页 |
| 3.11.2 针对参数a的实验 | 第72-75页 |
| 3.11.3 时空分析 | 第75页 |
| 3.12 本章小结 | 第75-77页 |
| 第四章 结论与未来工作 | 第77-79页 |
| 4.1 结论 | 第77页 |
| 4.2 未来工作 | 第77-79页 |
| 参考文献 | 第79-84页 |
| 附录一 | 第84-85页 |
| 致谢 | 第85-86页 |
| 作者简介 | 第86页 |