基于模式的語義信息抽取及應用研究畢業論文(編輯修改稿)

　

【文章內容簡介】 ....... 22 圖 4. 4 分詞后的文本劃分為不同的類別 ...................................................... 23 圖 4. 5 相關文檔集的聚類結果 ..................................................................... 24 圖 4. 6 模式合并結果 ..................................................................................... 26 圖 4. 7 泛化后的模式結果 ............................................................................. 26 圖 4. 8 中醫醫案文本 ..................................................................................... 27 圖 4. 9 測試語料劃分為不同的類別 .............................................................. 27 圖 4. 10 實驗得到的信息抽取模式 ................................................................ 28 圖 4. 11 信息抽取模式 ................................................................................... 28 圖 4. 12 不適宜全部合并的實例 ................................................................... 29 圖 5. 1 中醫信息抽取流程圖 ......................................................................... 33 圖 5. 2 典型中醫肝病醫案 ............................................................................. 35 圖 5. 3 典型中醫肝病醫案分詞標注結果 ...................................................... 36 圖 5. 4MapRules 的數據結構 ......................................................................... 39 基于規則的信息抽取技術的研究及其在中醫醫案文獻中的應用 XII 圖 5. 5 典型中醫肝病醫案信息抽取結果 ....................................................... 44 圖 6. 1 基于模式匹配的中醫醫案信息抽取系統結構圖 ............................... 48 圖 6. 2 信息抽取模塊流程圖 .......................................................................... 50 圖 6. 3 用戶登錄界面設計 .............................................................................. 51 圖 6. 4 用戶管理界面設計 .............................................................................. 52 圖 6. 5 系統主界面設計 ................................................................................. 52 圖 6. 6 用戶詞典管理界面 .............................................................................. 53 圖 6. 7 基于模版匹配的抽取界面 .................................................................. 54 北京科技大學碩士學位論文 XIII 附表清單 表 5. 1 模式庫 系統用到的 16 個模式 ........................................................... 31 表 5. 2 模式中數字的含義 ............................................................................. 32 表 5. 3 模式中字母的含義 ............................................................................. 32 表 5. 4 中醫醫案的用戶詞典 ......................................................................... 34 表 5. 5 VecWordCate 數據結構圖 .................................................................. 39 表 5. 6 基本信息部分實例 ............................................................................. 40 表 5. 7 主訴部分存儲實例 ............................................................................. 40 表 5. 8 治則部分存儲實例 ............................................................................. 41 表 5. 9 VecWordCate 數據結構圖 .................................................................. 41 表 6. 1 用戶信息表 ......................................................................................... 50 表 6. 2 案例信息表 ......................................................................................... 51 北京科技大學碩士學位論文 1 1 緒論 課題背景 課題的來源，目的和意義 該研究課題來源 于 “十二五”國家科技支撐計劃“ 名老中醫臨床經驗、學術思想傳承研究（一） ” 項目。 本課題研究目標是從中醫傳承的臨床需求出發， 匯聚中醫學、認知科學、信息技術，研發 中醫 醫案信息抽取系統，即 臨床醫案收集、儲存、分析、管理為一體的系統，實現臨床患者病案采集、數據存儲 、結構化處理等功能 。研發模式庫生成系統，實現 自動化地從文本中獲取模式，生成模式庫，用于支持信息抽取的過程。研發信息抽取系統，實現系統自動識別出醫案文本中特定語義信息。 隨著近幾年來中醫學研究的深入進行，對中醫醫案的信息分析需求越來越迫切，經歷了中國五千年的文化變遷，中醫歷史積累了海量的中醫醫案，收錄散雜，在內容和文字上不免也存在著訛、漏、誤、衍等錯誤現象 [15]，采用人工手段進行查找與分析已經不能滿足快節奏需求。利 用信息抽取的辦法，將形式多樣、內容豐富繁雜的中醫醫案以統一、完整結構化的形式提取出來，有效而搶救性地整理和保留了臨床經驗，將無形的經驗變成有形的可供大家共享的知識，這對我國中醫藥領域的傳承意義重大。 課題的研究內容 本文研究 基于模式 的信息抽取技術及應用，課題解決的主要技術難點及技術方案： （ 1） 模式匹配是信息抽取普遍采用的方法，如何生成模式是課題研究的難點和重點。本文根據中文自身的特點， 考慮到模式即為在文本中經常出現的句法結構 ， 同時借鑒 英文文本的模式獲取方法 ， 提出一種基于聚類的 模式獲取 方法，實現了 從中醫 醫案 中自動獲取模式。 首先對文本進行 預處理，然后對分詞后的文本 聚類 ， 將分詞后的短語 劃分為不同的類別， 則每個類別為 一個模式集。將同一模式集中的模式實例進行合并， 就可以得到最終的信息抽取模式。 （ 2） 研究信息抽取技術在中醫醫案領域的應用，實現機器自動識別 中醫醫案里包含的“病”、“證”、“癥候”等相關屬性及病人基本信息形成最小數據冗余基于規則的信息抽取技術的研究及其在中醫醫案文獻中的應用 2 的數據。 本文嘗試采用基于模式匹配的正則匹配算法。第一步對文本進行分詞、詞性標注處理，第二步在模式庫的支持下，采用模式匹配算法，最終實現了 機器對醫案的“人名”、“出診時間”、“ 癥候 ” 信息的識別，以及實體間關系識別。 論文的主要工作 本文的主要工作包括以下幾個方面： 1）綜述信息抽取及相關技術方法，主要內容 包括相關概念的介紹，技術專有名詞的解釋說明，還包括對各種技術的 分析。 2） 重點研究了基于模式的中醫醫案的信息抽取問題。構建動詞庫、模式庫。 3）設計并實現了一個基于中醫醫案的信息抽取原型系統。該系統提供了一個方法以供用戶使用，能夠很好的實現對中醫醫案信息的抽取。 本文的組織結構 本文共分 7 章，每部分的組織如下： 第一章首先介紹了 本課題的課題背景 ，闡述了 課題的來源，目的及意義，說明了課題 的研究內容。 第二章給出了模式自動生成的學習方法以及它們的優缺點。 第三章介紹了中醫領域中文文本的特點，提出了信息抽取的任務。 第四章介紹了模式自動生成方法的思想和具體步驟，并給出了實驗結果。 第五章介紹了基于模式匹配的信息抽取方法 第六章 完成基于模式匹配的中醫醫案信息抽取系統，實現了其中的命名實體識別（人名、地名、時間等名詞性短語）的工作 第七 章 總結與展望 最后是本文的參考文獻，及本文作者對導師和實驗室同學的衷心感謝！ 北京科技大學碩士學位論文 3 2 信息抽取模式學習 系統 綜述 信息抽取模式學習系統分類 為了進行 IE（ Information Extraction）模式的學習，人們先后設計過各種 IE模式獲取系統，例如 AutoSlog、 PALKA、 CRYSTAL、 LIEP、 AutoSlogTS、 ExDisco、TIMES 等。根據 IE模式獲取系統需要用戶輔助工作 方式 的不同，可以把這些系統分為四個類別： 它們為 基于人工語料標注的 IE模式學習系統，如 AutoSlog、PALKA、 CRYSTAL、 LIEP 等 。基于人工語料分類的 IE 模式學習系統，如AutoSlogTS 等 。基于種子模式的自舉 IE 模式學習系統，如 ExDisco 等 。基于WordNet和語料 標注的 IE模式學習系統，如 TIMES 等。下面 分別 介紹這四類系統的工作原理。 基于人工語料標注的 IE 模式 學習 系統 基于人工語料標注的 IE 模式學習系統 的 原理 基于人工語料標注的 IE 模式獲取 系統的基本原理是： 使用一種 IE 模式表示方式，人工預先標注訓練語料， 接著利用機器學習的方法從訓練語料中學出 IE模式。 例如 AutoSlog、 PALAK、 CRYSTAL、 LIEP。 本節詳細介紹 AutoSlog 和PALKA 的工作原理。 AutoSlog 是世界上第一個成功實現利用機器學習的方法獲取信息抽取模式的系統，由 Massachusetts 開發。 AutoSlog 的核心 就是一個模式學習算法。對于一個特定的 IE 任務，系統的輸入是人工標注的訓練語料 ，一套語言模式集（領域無關） 和一個相關領域的語義詞典。系統的輸出 是對應案例語句的 IE 模式。另外，整個統的實現需要 CIRCUS 句法分析器的輔助支持， CIRCUS 句法分析器的功能是自動識別句子中的主語、謂語和賓語等。 最后需要人工對學出的模式進行審定和篩選。 語言模式集（領域無關） 由人工設計而成。對于不同領域的信息抽取任務，語言模式集并不需要做較大改動。圖 列出了 針對恐怖活動事件用到 的語言模式，以及與它們對應的一條 IE 模式。 基于規則的信息抽取技術的研究及其在中醫醫案文獻中的應用 4 圖 2. 1 AutoSlog 采用的 語言表達模式及 IE 模式 這里的語言模式集和 IE 模式的不同之處在于：語言模式是領域無關的，是由人工預先給定的。而 IE 模式是由該系統自動生成的，是給出的語言模式實例化的結果。 IE 模式用于對一個事件進行信息抽取。 語言模式“ subject activeverb”的含