论文理解4

《基于症状构成成分的上下位关系自动抽取方法》计算机应用 王婷等 2017.10 华东理工大学

• 1. 文章专注于医学症状领域，准备构建一个症状上下位关系知识库。
• 2. 首先症状不仅仅包含名词，还有多种修饰等，所以文章把一个症状切分为8种成分：原子症状词，中心词、修饰词等。
• 3. 文章的模型有两个：
  • 1) 基于CRF的症状成分标注：
    • 针对无法通过分词、词性标注、启发式规则完全生成成分的症状实体进行分词和成分标注，采用BIE标记法。
    • 采用的特征：字面特征、词性特征
    • 数据：从医疗健康网站和百科网站抽取症状实体，将能够通过分词、词性标注、启发式规则完全生成成分的症状实体的数据随机选取3000条作为训练数据，未能标注完全的数据中选取1000条人工标注作为测试集。
  • 2) 基于多种传统模型（朴素贝叶斯、决策树、AdaBoost、随机森林、Bagging、SVM）的上下位关系分类
    • 由于很多专有名词没有词向量表示，所以文章采用的是基于特征选择的传统模型。
    • 采用的特征：通用特征（字面特征、词长、Jacard相似系数）、症状构成特征（构建了症状成分词典）、词典特征（基于HowNet上下位词典判断其他成分中是否有上下位关系）
    • 数据：从医疗健康网站半结构化数据中抽取上下位关系、同义关系，从非结构化数据中通过句法模式抽取上下位关系和同义关系，负例由随机负采样获得。