一種中醫(yī)針灸領(lǐng)域知識自動抽取的實現(xiàn)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種知識抽取技術(shù)，尤其涉及一種中醫(yī)針灸領(lǐng)域知識自動抽取的實現(xiàn) 方法。
【背景技術(shù)】
[0002] 術(shù)語解釋：
[0003] (1)中醫(yī)針灸領(lǐng)域的術(shù)語：主要涉及經(jīng)絡(luò)、腧穴、針灸療法、中醫(yī)學病癥名及其他 含義抽象的針灸學術(shù)語。本技術(shù)方案將中醫(yī)針灸領(lǐng)域術(shù)語分為如下五類：
[0004] ①經(jīng)絡(luò)術(shù)語：指運行氣血、聯(lián)系臟腑和體表及全身各部的通道，包括：十二經(jīng)脈、 奇經(jīng)八脈、十五絡(luò)脈等。
[0005] ②腧穴術(shù)語：指人體經(jīng)絡(luò)線上特殊的點區(qū)部位，多為神經(jīng)末梢和血管較少的地方， 中醫(yī)可以通過針灸或者推拿、點按、艾炙刺激相應(yīng)的經(jīng)絡(luò)點來治療疾病。
[0006] ③針灸療法術(shù)語：包括刺法、灸法、拔罐、推拿等治療方法以及治療用具術(shù)語。
[0007] ④中醫(yī)病癥名術(shù)語：指具體的疾病名稱。
[0008] ⑤抽象術(shù)語：指不能歸入上述四類且含義抽象的針灸術(shù)語。
[0009] (2)中醫(yī)針灸領(lǐng)域術(shù)語構(gòu)件：是指那些更大概率地出現(xiàn)在中醫(yī)針灸領(lǐng)域術(shù)語中的 字、單詞或復合詞，術(shù)語構(gòu)件可以是詞根、前綴、后綴或某些包含于中醫(yī)針灸領(lǐng)域術(shù)語中的 字符串。
[0010] 文本信息抽取研宄始于上世紀60年代，隨后召開的MUC (Message Understanding Conference)和ACE (Automatic Content Extraction)評測會議推動了信息抽取技術(shù)的發(fā) 展。在生物醫(yī)學領(lǐng)域，文本信息抽取主要解決的是從生物醫(yī)學文本中識別出生物醫(yī)學實體， 進而探宄它們之間可能存在的關(guān)系，包括：基因與基因的關(guān)系、蛋白質(zhì)與蛋白質(zhì)相互作用關(guān) 系、基因與疾病的關(guān)系、蛋白質(zhì)與疾病的關(guān)系、基因與藥物的關(guān)系、疾病與治療的關(guān)系等，并 最終以人們可以理解的方式表達出來的問題。國內(nèi)外對信息抽取的方法主要有三大類：基 于語言規(guī)則的方法、基于統(tǒng)計信息的方法、規(guī)則與統(tǒng)計相結(jié)合的方法。人們針對生物醫(yī)學命 名實體識別任務(wù)展開了研宄；采用了包括詞、關(guān)鍵詞、蛋白質(zhì)實體名距離、關(guān)聯(lián)路徑等特征 組合成特征模板，使用支持向量機統(tǒng)計模型來抽取蛋白質(zhì)關(guān)系。人們將兩個實體所在的句 子信息以及兩個實體周圍的局部上下文信息組合在一起應(yīng)用于藥物關(guān)系抽取，取得了較好 的結(jié)果。"基于半監(jiān)督方法的生物醫(yī)學事件抽取的研宄"采用基于半監(jiān)督的方法，在生物醫(yī) 學事件觸發(fā)詞識別上，先分析了各種特征對識別的影響，然后結(jié)合未標注語料信息，利用蛋 白質(zhì)-觸發(fā)詞對關(guān)系，來進行觸發(fā)詞識別模型的構(gòu)建；在生物醫(yī)學事件元素的識別上，充分 利用特征在標注語料和未標注語料中的共現(xiàn)信息，將有強分類能力的稀疏特征進行融合， 從而將識別問題映射到一個新的維度空間去解決。這兩種結(jié)合未標注語料的方法，都有效 的減輕了數(shù)據(jù)稀疏所帶來的影響，提高了生物醫(yī)學事件抽取的精度。
[0011] 當前，生物醫(yī)學領(lǐng)域信息抽取任務(wù)主要集中在對英文醫(yī)學文獻的研宄上，例如研 宄英文生物醫(yī)學文獻中命名實體的抽??；研宄英文醫(yī)學文獻中藥物相互作用關(guān)系的抽取； 研宄英文醫(yī)學文獻中事件的抽取。對于在中醫(yī)針灸領(lǐng)域文獻中抽取知識的關(guān)鍵技術(shù)研宄還 是空白，缺乏對中醫(yī)針灸領(lǐng)域文獻信息抽取技術(shù)的研宄以及系統(tǒng)的開發(fā)。中醫(yī)針灸是基于 漢民族文化，具有中國特色的醫(yī)療保健技術(shù)，其內(nèi)容包括針灸理論、腧穴、針灸技術(shù)以及相 關(guān)器具。中醫(yī)針灸文獻作為針灸醫(yī)學領(lǐng)域成果展示和學術(shù)交流的主要載體，但是其內(nèi)容組 織和知識表達與英文文獻以及中文通用領(lǐng)域文獻都具有很大的差異性。

【發(fā)明內(nèi)容】

[0012] 為解決上述問題本發(fā)明提供了一種中醫(yī)針灸領(lǐng)域知識自動抽取的實現(xiàn)方法。本 發(fā)明的目的是針對中醫(yī)針灸領(lǐng)域文獻的特點，研宄并開發(fā)中醫(yī)針灸領(lǐng)域術(shù)語抽取系統(tǒng)，從 海量的中醫(yī)針灸領(lǐng)域文獻中快速有效地提取領(lǐng)域術(shù)語，形成結(jié)構(gòu)化的數(shù)據(jù)并存入一個數(shù)據(jù) 庫，供用戶查詢和使用。
[0013] 為達到上述技術(shù)效果，本發(fā)明的技術(shù)方案是：
[0014] 一種中醫(yī)針灸領(lǐng)域知識自動抽取的實現(xiàn)方法，包括如下步驟：
[0015] 步驟一）種子集構(gòu)建：從爬取的醫(yī)學論文中抽取關(guān)鍵字信息構(gòu)建中醫(yī)針灸領(lǐng)域術(shù) 語種子集；
[0016] 步驟二）語料庫構(gòu)建：從爬取的醫(yī)學論文中抽取中文摘要信息構(gòu)建中醫(yī)針灸領(lǐng)域 語料庫；
[0017] 步驟三）術(shù)語構(gòu)建集的生成：調(diào)用術(shù)語構(gòu)件生成器，用構(gòu)件集中的構(gòu)件切分中醫(yī) 針灸領(lǐng)域術(shù)語種子集中的每個術(shù)語；將最佳切分中產(chǎn)生的新構(gòu)件添加到構(gòu)件集中，迭代學 習新構(gòu)件直至算法收斂，生成中醫(yī)針灸領(lǐng)域術(shù)語構(gòu)件集；對種子集S中的一個術(shù)語s，用構(gòu) 件集Tc中的構(gòu)件進行切分，得到多個不同的切分結(jié)果，如公式（1):
[0020] i表示術(shù)語s被構(gòu)件集Tc中的構(gòu)件切分后的某種切分結(jié)果，& (s)表示第i種切 分結(jié)果；t表示構(gòu)件集中的構(gòu)件；r表示術(shù)語被構(gòu)件集中的構(gòu)件切分后產(chǎn)生的字串；j表示 術(shù)語s被切分后，切分術(shù)語的構(gòu)件t和切分后產(chǎn)生的字串r按順序從左到右的編號；
[0021] 切分R"s)的權(quán)重計算方法如公式⑵所示：
[0023]其中，
，a和0為調(diào)節(jié)參數(shù)，其值通過實驗效 果調(diào)節(jié)；
[0024] length(s)表示術(shù)語s的長度，即術(shù)語s所含漢字個數(shù)；m表示術(shù)語s的一種切分 結(jié)果Ri(s)中所含的構(gòu)件數(shù)；tip表示術(shù)語s的第i個切分結(jié)果Ms)中從左到右數(shù)的第p 個構(gòu)件；length(tip)表示構(gòu)件tip所含漢字個數(shù)；p表示術(shù)語s切分結(jié)果Ms)中從第1個 構(gòu)件到最后1個構(gòu)件的變量；m'表示術(shù)語s的第i個切分結(jié)果Ri(s)中長度不為0的字串 &的個數(shù)；
[0025]選擇權(quán)重最大的切分為最佳切分，將其產(chǎn)生的新構(gòu)件44，...，^i+1添加 到構(gòu)件集Tc中；其中構(gòu)件過濾規(guī)則如下：
[0026] 1. 3. 1)丟棄最佳切分Rjs)首部、中部產(chǎn)生的單字長構(gòu)件，將尾部產(chǎn)生的頻率>1 的單字長構(gòu)件添加到Tc中；
[0027] 1. 3. 2)將最佳切分氏(s)中長度>1且頻率>1的新構(gòu)件添加到Tc中；
[0028] 步驟四）候選術(shù)語集的生成：以中醫(yī)針灸領(lǐng)域術(shù)語構(gòu)件集為領(lǐng)域詞典，調(diào)用候選 術(shù)語抽取器抽取中醫(yī)針灸領(lǐng)域語料庫中的術(shù)語，生成中醫(yī)針灸領(lǐng)域候選術(shù)語集；
[0029] 步驟五）術(shù)語集的生成：調(diào)用術(shù)語過濾器，利用規(guī)則集對候選術(shù)語集中的候選術(shù) 語進行過濾，生成中醫(yī)針灸領(lǐng)域術(shù)語集。
[0030] 進一步的改進，所述步驟四）中抽取中醫(yī)針灸領(lǐng)域語料庫中的術(shù)語的方法為：從 未標注無結(jié)構(gòu)的中醫(yī)針灸領(lǐng)域語料庫中逐句讀取字串，采用最大向前匹配算法，以術(shù)語構(gòu) 件集Tc作為領(lǐng)域詞典切分字串，切分結(jié)果如公式（3)所示：
[0032] 其中，12 0, |x,,+11S: 0, |xp | > 0(2Sn)(TcttjeTc
[0033] e表示從中醫(yī)針灸語料庫中讀取的句子，tn,t12，…，tnin為術(shù)語構(gòu)件，
[0034] Xl，x2，…，xn+1是句子中分隔候選術(shù)語的普通字串；
[0035] 抽取xk和x,+1之間的串(1 <女< /?)作為中醫(yī)針灸領(lǐng)域候選術(shù)語，用術(shù) 語過濾規(guī)則模板過濾候選術(shù)語，生成中醫(yī)針灸領(lǐng)域術(shù)語，直至中醫(yī)針灸領(lǐng)域語料庫中的語 料處理完畢。
[0036] 進一步的改進，術(shù)語過濾的方法如下：首先通過中醫(yī)針灸領(lǐng)域術(shù)語種子集獲得術(shù) 語首詞列表和術(shù)語尾詞列表；然后術(shù)語過濾規(guī)則如下：
[0037] 3. 1)限定首詞：將候選術(shù)語依次在術(shù)語首詞列表中檢測，若候選術(shù)語左邊第一個 構(gòu)件不在首詞列表中，則去除該構(gòu)件，將剩余部分作為候選術(shù)語繼續(xù)該操作，直至候選術(shù)語 左邊第一個構(gòu)件出現(xiàn)在術(shù)語首詞列表中或候選術(shù)語字符串為空時結(jié)束；
[0038] 3. 2)限定尾詞：將候選術(shù)語依次在術(shù)語尾詞列表中檢測，若候選術(shù)語右邊第一個 構(gòu)件不在尾詞列表中，則去除該構(gòu)件，將剩余部分作為候選術(shù)語繼續(xù)該操作，直至候選術(shù)語 右邊第一個構(gòu)件出現(xiàn)在術(shù)語尾詞列表中或字符串為空時結(jié)束；
[0039] 3. 3)若候選術(shù)語右邊第一和第二個構(gòu)件都出現(xiàn)在尾詞列表中，則去除右邊第一個 構(gòu)件，將剩余部分視為候選術(shù)語；
[0040] 3. 4)若組成候選術(shù)語的所有構(gòu)件都不在中醫(yī)針灸領(lǐng)域術(shù)語種子集中，則舍棄該候 選術(shù)語；
[0041] 3. 5)若候選術(shù)語為單字組成的字串，