13、生物医学信息提取与非递归LPADs学习：理论与实践

生物医学信息提取与非递归LPADs学习：理论与实践

1. 生物医学信息提取中的递归模式学习

在生物医学信息提取领域，我们常常需要从大量的文本中挖掘出有价值的信息。例如，识别特定的生物医学概念及其之间的关系。递归模式学习在这方面发挥着重要作用。

我们发现了一些有意义的依赖关系，比如：
- 类型标注依赖 ：
- annotation(X1)=type ←follows(X1,X2)=true, word frequency(X2) ∈[8..140], follows(X3,X1)=true, annotation(X3)=substitution
- 这个规则表明，如果 X1 位于一个频繁出现的标记之前，并且在一个被标注为 substitution 的标记之后，那么 X1 可以被标注为 type 。例如，像 “an A-to-G mutation at position 3426 (tRNALeu)” 这样的模式就符合这种情况。
- 位置标注依赖 ：
- annotation(X1)=position ←follows(X2,X1)=true, annotation(X2)=substitution, follows(X3,X1)=true, follows(X1,X4)=true, word frequency(X4) ∈[6..6], annotation(X3)=type, follows(X1,X5)=tru