22、支持生物医学应用的多关系学习框架

支持生物医学应用的多关系学习框架

在生物医学领域，数据之间存在着复杂的关系。例如，患者的临床数据与卵母细胞质量和植入成功率相关；卵母细胞质量对胚胎发育起着关键作用；而正确的胚胎发育对于后续的移植和植入成功至关重要。因此，多关系学习技术似乎是该应用领域最合适的方法。

1. 多关系学习方法

为了解决卵胞浆内单精子注射（ICSI）应用领域的知识提取任务，采用基于关系聚类和关系规则归纳的学习方法。使用的表示语言是Datalog，这是一种一阶逻辑语言。一阶字母表由一组常量C、一组变量V、一组函数符号F和一组非空的谓词符号P组成。多关系描述由应用于n个项ti（ti ∈ {C ∪ V}）的一组谓词符号p ∈ P组成：p(t1, …, tn)。当多关系描述不包含变量时，称为基础描述。Datalog描述是一种仅使用变量和常量作为谓词参数的多关系描述。

1.1 多关系聚类

聚类是一种无监督学习技术，用于将一组对象划分为多个簇，使得每个簇内的对象彼此相似。对象之间的相似性可以使用各种距离度量来确定。

关系聚类处理关系数据（即使用一阶描述作为表示语言的对象），使用的距离度量通常比属性值表示的情况更复杂。因为数据的关系表示不是由固定数量测量的特征向量表示，所以通用的欧几里得距离不能应用于关系表示的数据。

这里使用距离函数和一种分区聚类算法的改进版本，即近似围绕中心点分区（APAM）。

距离函数采用Tanimoto度量的一种适应版本，用于定义两个多关系描述D1和D2之间的距离：
[d_{T\cap}(D_1, D_2, \alpha) = \frac{|D_1| + |D_2| - 2s_{\cap}(D_1, D