| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文的工作 | 第12-13页 |
| 1.4 本文的结构 | 第13-14页 |
| 第二章 相关工作 | 第14-21页 |
| 2.1 生物医学领域文本挖掘 | 第14-17页 |
| 2.1.1 生物医学领域文本挖掘的研究介绍 | 第14-15页 |
| 2.1.2 生物医学领域文本挖掘的研究内容 | 第15-17页 |
| 2.2 蛋白质交互关系抽取的主要方法 | 第17-20页 |
| 2.2.1 基于同现的方法 | 第17页 |
| 2.2.2 基于模式匹配的方法 | 第17-18页 |
| 2.2.3 基于自然语言处理的方法 | 第18-19页 |
| 2.2.4 基于机器学习的方法 | 第19-20页 |
| 2.3 本章总结 | 第20-21页 |
| 第三章 基于远监督的蛋白质交互关系抽取基本模型 | 第21-34页 |
| 3.1 基本模型 | 第22-30页 |
| 3.1.1 蛋白质对签名档的建立 | 第23-25页 |
| 3.1.2 蛋白质交互关系的表示 | 第25-26页 |
| 3.1.3 逻辑回归分类 | 第26-30页 |
| 3.2 实验设计与结果分析 | 第30-33页 |
| 3.2.1 实验设置 | 第30-32页 |
| 3.2.2 实验结果与分析 | 第32-33页 |
| 3.3 本章总结 | 第33-34页 |
| 第四章 基于主题集合的蛋白质交互关系抽取 | 第34-56页 |
| 4.1 交叉预测基本框架 | 第36-38页 |
| 4.1.1 子集划分 | 第37页 |
| 4.1.2 交叉预测 | 第37-38页 |
| 4.2 基于主题集合的去噪模型 | 第38-46页 |
| 4.2.1 基于关键词的主题集合抽取 | 第41-43页 |
| 4.2.2 基于句子相似性的主题集合抽取 | 第43-46页 |
| 4.3 实验结果与分析 | 第46-54页 |
| 4.4 本章总结 | 第54-56页 |
| 第五章 基于多示例多标记学习的蛋白质交互关系抽取模型 | 第56-74页 |
| 5.1 多示例多标记学习模型框架 | 第56-61页 |
| 5.1.1 多示例多标记学习的相关研究 | 第56-59页 |
| 5.1.2 蛋白质对签名档的多示例多标记学习模型表示 | 第59-61页 |
| 5.2 基于最大期望算法的多示例多标记学习模型 | 第61-66页 |
| 5.2.1 最大期望算法的研究 | 第61-62页 |
| 5.2.2 基于最大期望算法的模型训练 | 第62-63页 |
| 5.2.3 E-step | 第63-64页 |
| 5.2.4 M-Step | 第64-66页 |
| 5.3 最大期望算法的实现 | 第66-67页 |
| 5.3.1 初始化 | 第66页 |
| 5.3.2 过拟合 | 第66-67页 |
| 5.4 实验设计与结果分析 | 第67-73页 |
| 5.5 本章总结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 工作总结 | 第74-75页 |
| 6.2 前景展望 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 在学期间的研究成果及发表的学术论文 | 第82页 |