[发明专利]一种大数据集中生物事件触发词的识别方法

权利要求书

1.一种大数据集中生物事件触发词的识别方法，为并行欠采样方法，其特征在于包括以下步骤：

步骤1、数据分割，定义数据集D＝{(x₁,y₁),...,(x_n,y_n)}为训练数据集，其中x_i∈R^m,i＝1,2,...n为样本实例，R^m表示m维实数，且y_i∈{0,1,...,l},i＝1,2,...n为样本实例的所属类别，共有1+l个类别标签；定义D_α为多数类别数据集，其中包含有n_j,j＝0个属于类别y＝0的样本实例，使α＝n_j,j＝0；将多数类别数据集D_α随机分割为K个互不相交的多数类别子数据集用α_k表示每个多数类别子数据集中样本实例的个数；定义D_β为少数类别数据集，D_j是其中一个少数类别数据集，包含n_j,j＝1,2,...,l个属于类别y＝j,j＝1,...,l的样本实例，即D_β＝{∪D_j},j＝1,2,...,l，其中，β表示所有少数类别数据集中样本的个数，有

即由此得到α＞＞β；

步骤2、边界因子计算，定义每个数据集S^k包含了来自相应多数类别子数据集和少数类别数据集D_β的样本实例，表示为

经过特征提取步骤后数据集S^k中每个样本实例x，x∈R^m，可由m维特征F＝{f₁,...,f_t},t＝m表示，其中f表示每一维特征，每个样本边界因子是基于其属于所有类别的不确定性计算得到的，不确定性主要通过集合S^k中的每个样本实例x到给定类别C_j的距离d(x,C_j)来确定的，距离的计算定义如下：

用来计算在第t维特征空间中，样本实例x到给定类别C_j的距离分量，由于生物触发词识别数据集是文本，因此，定义为文本向量到类别C_j质心的距离，所述质心为词频TF(f_t|C_j)的均值：

式中，在d(x,C_j)基础上，每个样本实例x对于类别C_j的隶属度μ_j(x)定义如下：

并且

样本实例x的边界因子BoundF(x)定义如下：

步骤3、样本欠抽样，将计算好的BoundF(x)值进行排序，将拥有最大的α'_k个BoundF(x)值的样本被作为边界样本实例抽取组成一个边界集抽样个数α'_k＝p×β，p作为PUS算法的一个待调节参数；

步骤4、边界集归并，将步骤2和3中的通过并行欠采样产生的所有边界集，合并后得到一个新的多数类别数据集D'_α，和所有的少数类别集合在一起，得到新的训练数据集合D'＝D'_α∪D_β；

步骤5、修剪，对训练数据集合D'重复欠采样步骤2和步骤3得到最终的训练数据集D”，使训练数据集D”包含α”个最大BoundF(x)值的样本，达到多数类别样本数和少数类别样本数平衡，即α”＝β。

2.根据权利要求1所述的大数据集中生物事件触发词的识别方法，其特征在于：所述步骤1中的每个均具有相同的规模。

3.根据权利要求1所述的大数据集中生物事件触发词的识别方法，其特征在于：在所述步骤3中，若数据集包含噪声数据，则在对边界样本实例抽样之前将噪声数据删除。