基于文本挖掘的生物命名实体识别算法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-27页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 研究现状 | 第13-24页 |
| 1.2.1 命名实体识别 | 第13-18页 |
| 1.2.1.1 有监督学习 | 第14-16页 |
| 1.2.1.2 半监督学习 | 第16-17页 |
| 1.2.1.3 无监督学习 | 第17-18页 |
| 1.2.2 迁移学习 | 第18-23页 |
| 1.2.3 正例未标注学习 | 第23-24页 |
| 1.3 现有研究存在的问题与不足 | 第24-25页 |
| 1.4 研究内容 | 第25-26页 |
| 1.5 论文组织结构 | 第26-27页 |
| 第二章 基于迁移学习的生物医学蛋白质命名实体识别 | 第27-59页 |
| 2.1 隐马尔科夫模型 | 第28-37页 |
| 2.1.1 隐马尔科夫模型的定义 | 第28-29页 |
| 2.1.2 隐马尔科夫模型的基本问题 | 第29-37页 |
| 2.1.2.1 概率计算问题 | 第29-33页 |
| (1) 直接计算法 | 第29-30页 |
| (2) 前向算法 | 第30-32页 |
| (3) 后向算法 | 第32-33页 |
| 2.1.2.2 学习问题 | 第33-36页 |
| (1) 监督学习方法 | 第33页 |
| (2) Baum-Welch算法 | 第33-36页 |
| 2.1.2.3 预测问题 | 第36-37页 |
| (1) 近似算法 | 第36页 |
| (2) 维特比算法 | 第36-37页 |
| 2.2 问题定义 | 第37-38页 |
| 2.3 方法概述与流程 | 第38-46页 |
| 2.3.1 基于实例的数据迁移 | 第39-42页 |
| 2.3.1.1 计算相似度 | 第40-41页 |
| (1) 单词结构相似性 | 第40-41页 |
| (2) 编辑距离 | 第41页 |
| 2.3.1.2 计算权值 | 第41-42页 |
| 2.3.2 BioTrHMM的学习算法 | 第42-44页 |
| 2.3.3 BioTrHMM的分类算法 | 第44-46页 |
| 2.4 实验及结果分析 | 第46-58页 |
| 2.4.1 语料库介绍 | 第46-48页 |
| 2.4.2 性能评估 | 第48-49页 |
| 2.4.3 实验设置 | 第49-50页 |
| 2.4.4 实验结果分析 | 第50-58页 |
| 2.4.4.1 针对a的实验 | 第50-51页 |
| 2.4.4.2 针对ab的实验 | 第51页 |
| 2.4.4.3 针对g的实验 | 第51-58页 |
| 2.5 本章小结 | 第58-59页 |
| 第三章 基于PU学习的生物医学蛋白质命名实体识别 | 第59-77页 |
| 3.1 问题定义 | 第60页 |
| 3.2 方法概述与流程 | 第60-61页 |
| 3.3 数据集构建 | 第61-62页 |
| 3.4 构建分类模型 | 第62-70页 |
| 3.4.1 分类强负例 | 第63-69页 |
| 3.4.1.1 Rocchio算法 | 第63-65页 |
| 3.4.1.2 朴素贝叶斯算法 | 第65-66页 |
| 3.4.1.3 Spy技术 | 第66-68页 |
| 3.4.1.4 1 -DNF方法 | 第68-69页 |
| 3.4.2 构建分类模型 | 第69-70页 |
| 3.5 实验设置 | 第70页 |
| 3.6 实验及结果分析 | 第70-76页 |
| 3.6.1 针对参数Unlevel的实验 | 第71-73页 |
| 3.6.2 针对参数a的实验 | 第73-75页 |
| 3.6.3 与BioTrHMM算法的对比实验 | 第75-76页 |
| 3.7 本章小结 | 第76-77页 |
| 第四章 总结与展望 | 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79-87页 |
| 致谢 | 第87-88页 |
| 作者简介 | 第88页 |
