38、关系序列比对与标识

关系序列比对与标识

1. 引言

序列数据无处不在，在机器学习的众多应用领域，如计算生物学、用户建模、语音识别、自然语言处理等都有涉及。序列比对是其中一个重要任务，它能帮助我们找出序列间的相似区域。在生物信息学中，可用于识别相似的DNA序列、构建系统发育树和开发蛋白质结构的同源模型；在自然语言处理中，可用于自动文本摘要、释义和翻译。

传统的比对方法大多假设序列由扁平符号组成，但现实世界中的许多序列，如自然语言句子和蛋白质二级结构，都具有丰富的内部结构。例如，句子 “A purple latex balloon blew himself up in a southern city Wednesday, bursting two other balloons and deforming 27” ，使用Brill基于规则的词性标注器处理后，会得到一个结构化对象的序列：

dt(a), jj(purple), nn(latex), nn(balloon), vbd(blew), prp(himself), in(up),
in(in), dt(a), jj(southern), nn(city), nnp(wednesday), comma, vbg(bursting),
cd(two), jj(other), nns(balloons), cc(and), vbg(deforming), cd(27)

将传统比对算法应用于这样的序列时，要么忽略原子的结构，导致信息丢失；要么考虑所有可能的参数组合，导致参数数量呈组合爆炸式增长。因此，关系序列比对是一个重要问题。

目前，很少有研究关注复杂对象序列的比对。一些相关工作，如K