[发明专利]一种基于共训练的半监督生物医学事件抽取方法

摘要

本发明涉及一种基于共训练的半监督生物医学事件抽取方法。随着生物医学文献的快速增长，生物医学事件的自动抽取引起了人们极大的兴趣。然而，已标注的生物医学事件语料库规模较小，这会影响分类算法的性能，甚至导致过拟合。我们提出了一种新的生物医学事件抽取的共训练方法，从未标记的数据中识别出更准确的正实例，以此扩大已标记的训练集。首先，设计丰富的特征供SVM使用。然后，用从Word2vec从Pubmed中学习基于词嵌入的短句，进一步将短句拓展为触发词和参数之间的依存短句，并将其输入到CNN中。最后，未标记语料库中经SVM和CNN预测的符合条件的样本对回填到训练集中，增量地扩展训练集。大量实验结果表明，新的半监督生物医学事件提取方法能有效提取事件。

主权项

一种基于共训练的半监督生物医学事件抽取方法，其特征在于，至少包括以下步骤：步骤一：初始化有标签数据集作为原始训练集，进行文本预处理，并生成短句训练集，同时初始化无标签数据集；步骤二：在训练集上训练SVM分类器，在短句训练集上训练CNN分类器，用好的SVM分类器和CNN分类器对无标签样本进行分类预测；步骤三：依据选择策略，选择无标签数据集中符合条件的样本，回填至训练集中，用扩充后的新训练集重新训练SVM分类器和CNN分类器，重复步骤二、三，直至开发集上的F值达到最大；步骤四：经上述迭代过程，增量地扩展了训练集，并得到训练好的SVM分类器和CNN分类器，结合两分类器的结果，对最终待分类预测的文本进行分类预测。