| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10页 |
| 1.3 研究现状 | 第10-14页 |
| 1.3.1 迁移学习方法解决PPI抽取中的标注数据不足问题 | 第12-13页 |
| 1.3.2 词表示方法提升PPI抽取中的特征表示能力 | 第13-14页 |
| 1.4 本文工作 | 第14页 |
| 1.5 本文结构 | 第14-16页 |
| 2 蛋白质交互关系抽取的相关模型和算法介绍 | 第16-27页 |
| 2.1 生物医学信息抽取 | 第16-17页 |
| 2.1.1 生物医学命名实体识别 | 第16-17页 |
| 2.1.2 蛋白质交互关系抽取 | 第17页 |
| 2.2 支持向量机模型及核函数 | 第17-20页 |
| 2.2.1 支持向量机模型 | 第17-18页 |
| 2.2.2 核函数 | 第18页 |
| 2.2.3 SVM-LIGHT-TK 1.2 | 第18-20页 |
| 2.3 相关算法和工具描述 | 第20-26页 |
| 2.3.1 斯坦福解析器 | 第20-21页 |
| 2.3.2 词向量及Word2Vec工具 | 第21-23页 |
| 2.3.3 K-means聚类算法 | 第23页 |
| 2.3.4 布朗聚类算法 | 第23-25页 |
| 2.3.5 相对熵 | 第25-26页 |
| 2.4 实验语料和评价方法 | 第26-27页 |
| 3 基于迁移学习的蛋白质交互关系抽取 | 第27-39页 |
| 3.1 TrAdaboost算法描述 | 第27-29页 |
| 3.2 改进的DisTrAdaboost算法 | 第29-31页 |
| 3.3 特征提取 | 第31-33页 |
| 3.3.1 词特征 | 第31-32页 |
| 3.3.2 两个蛋白质间的距离特征 | 第32-33页 |
| 3.4 实验及结果分析 | 第33-38页 |
| 3.4.1 实验设置 | 第33页 |
| 3.4.2 可迁移性评价 | 第33-34页 |
| 3.4.3 AIMed作为目标领域时的迁移学习 | 第34-35页 |
| 3.4.4 IEPA作为目标领域时的迁移学习 | 第35-37页 |
| 3.4.5 相关工作比较 | 第37-38页 |
| 3.4.6 语料分布对迁移学习效果影响分析 | 第38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 基于词表示的蛋白质交互关系抽取 | 第39-49页 |
| 4.1 基于组合核的蛋白质交互关系抽取 | 第39-41页 |
| 4.1.1 平面特征核函数 | 第39页 |
| 4.1.2 卷积树核 | 第39-41页 |
| 4.2 基于词表示的蛋白质交互关系抽取 | 第41-44页 |
| 4.2.1 文档收集 | 第41-42页 |
| 4.2.2 特征抽取 | 第42-43页 |
| 4.2.3 有监督学习 | 第43-44页 |
| 4.3 实验及结果分析 | 第44-47页 |
| 4.3.1 基于组合核的蛋白质交互关系抽取(Baseline) | 第44页 |
| 4.3.2 词表示用于PPI抽取的有效性验证 | 第44-46页 |
| 4.3.3 与前人工作比较 | 第46-47页 |
| 4.4 总结与讨论 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间发表学术论文情况 | 第54-55页 |
| 致谢 | 第55-56页 |
