[发明专利]一种基于多层卷积神经网络的药物关系分类方法

权利要求书

1.一种基于多层卷积神经网络的药物关系分类方法，其特征在于，包括以下步骤：

步骤1，采集由英文的单词构成的原始药物文本，获得原始药物文本集，所述的原始药物文本中至少包括两个目标药物名称词,在所述的原始药物文本中除去所述目标药物名称词均为其他单词；

步骤2，对所述的原始药物文本集进行预处理，包括词形归一化以及目标药物名称词命名方式的统一及替换，获得预处理后的药物文本集；

步骤3，构造包含表示层、卷积层、池化层和全连接层的多层卷积神经网络；采用输入与输出对所述的多层卷积神经网络进行训练，获得药物关系分类多层卷积神经网络，所述的输入为所述的预处理后的药物文本集，所述的输出为药物关系标签集，所述的药物关系标签集中的每一个药物关系标签为所述预处理后的药物文本集中的每一个药物文本对应的原始药物文本中任意两个目标药物名称词之间存在的药物关系；其中所述的表示层将所述的预处理后的药物文本集中的每一个药物文本映射成文本特征向量，所述的药物文本特征向量包括药物文本向量和所述其他单词与所述目标药物名称词之间的位置向量；

步骤4，利用所述的药物关系分类多层卷积神经网络对未知药物关系的药物文本进行药物关系分类，获得药物关系分类结果。

2.根据权利要求1所述的基于多层卷积神经网络的药物关系分类方法，其特征在于，所述的步骤2，对所述的原始药物文本集进行预处理，包括词形归一化以及目标药物名称词命名方式的统一及替换，获得预处理后的药物文本集，包括以下步骤：

步骤21、将所述原始药物文本集中所有所述的单词进行词形归一化，获得归一化后的药物文本集；

步骤22、对所述的归一化后的药物文本集中所有所述的目标药物名称词首先以统一形式命名，再利用统一形式命名后的目标药物名称词将所述的目标药物名称词进行替换，获得所述预处理后的药物文本集。

3.根据权利要求2所述的基于多层卷积神经网络的药物关系分类方法，其特征在于，步骤21中采用将所述原始药物文本中的所述单词转换为小写的原始词形的方法进行词形归一化。

4.根据权利要求1所述的基于多层卷积神经网络的药物关系分类方法，其特征在于，构造包含表示层、卷积层、池化层和全连接层的多层卷积神经网络；采用输入与输出对所述的多层卷积神经网络进行训练，获得药物关系分类多层卷积神经网络，包括以下步骤：

步骤31、依次构造表示层、卷积层、池化层以及全连接层，获得多层卷积神经网络模型；

步骤32、采用输入与输出对所述的多层卷积神经网络进行训练，获得药物关系分类多层卷积神经网络，所述的药物关系标签集中的每一个药物关系标签均为数字向量形式；重复训练N次所述的多层卷积神经网络，以第N次训练获得到的多层卷积神经网络作为所述的药物关系分类多层卷积神经网络，其中N＝1。

5.根据权利要求4所述的基于多层卷积神经网络的药物关系分类方法，其特征在于，在构造所述多层卷积神经网络的表示层时，包括以下步骤：

A、固定所述预处理后的药物文本集中每一个药物文本的长度，获得长度固定后的药物文本集；

B、对所述的长度固定后的药物文本集中每一个长度固定后的药物文本进行映射，获得药物文本向量集；

C、在所述的药物文本向量集中每一个药物文本向量中加入所述位置向量，获得药物特征向量集。

6.根据权利要求5所述的基于多层卷积神经网络的药物关系分类方法，其特征在于，对所述的长度固定后的药物文本进行映射，获得药物文本向量，包括以下步骤：

a、构造词向量表，所述的词向量表由所述的单词和所述单词对应的数字形式的词向量构成；

b、通过查所述的词向量表的方法对长度固定后的药物文本集中每一个长度固定的药物文本进行映射，获得药物文本向量集。

7.根据权利要求5所述的基于多层卷积神经网络的药物关系分类方法，其特征在于，所述位置向量为在所述原始药物文本中所述的目标药物名称词与所述其他单词之间的相对距离。