Phương Pháp Trích Xuất Mối Quan Hệ Ngữ Nghĩa Trong Văn Bản Y Sinh Dựa Trên Học Máy

• Tác giả: Le Hoang Quynh
• Chuyên ngành: Biomedical Natural Language Processing
• Đề tài: Trích Xuất Mối Quan Hệ Ngữ Nghĩa Trong Văn Bản Y Sinh Bằng Học Máy
• Loại tài liệu: doctoral dissertation
• Năm xuất bản: 2022
• Địa điểm: Hanoi

• DECLARATION
• 1. INTRODUCTION TO BIOMEDICAL RELATION EXTRACTION
• 1.1. Semantic relation extraction
• 1.2. Biomedical named entity recognition
• 1.3. Biomedical relation classification
• 1.4. Literature review of biomedical named entity recognition
• 1.5. Literature review of biomedical relation extraction
• 1.6. Datasets for named entity recognition experiments
• 1.7. Datasets for relation classification experiments
• 1.8. Named entity recognition evaluation
• 1.9. Relation classification evaluation
• 2. AN END-TO-END PIPELINE MODEL FOR BIOMEDICAL RELATION EXTRACTION
• 2.1. Distant supervision learning with silverCID corpus
• 2.2. Proposed UET-CAM system
• 2.3. Joint model of named entity recognition and normalization (DNER)
• 2.4. Intra-sentence relation classification with support vector machine
• 2.5. Experimental results and discussion
• 2.5.1. Choosing the combining manner of SSI and skip-gram for named entity normalization results
• 2.5.2. Named entity recognition and normalization results
• 2.5.3. CID relation classification results
• 3. AN IMPROVED CRE-BILSTM MODEL FOR BIOMEDICAL NAMED ENTITY RECOGNITION
• 3.1. Introduction to deep learning for named entity recognition
• 3.2. Proposed D3NER model
• 3.2.1. Data pre-processing
• 3.2.2. The TPAC embeddings layer
• 3.2.3. Context representing biLSTM layer
• 3.2.4. Conditional random fields layer
• 3.3. Experimental results and discussion
• 3.3.1. Experimental environment and model settings
• 3.3.2. The performance of D3NER model and comparisons
• 3.3.3. Contribution of the model components
• 4. HYBRID, ATTENTION-BASED AND ENSEMBLE DEEP LEARNING MODELS FOR BIOMEDICAL RELATION CLASSIFICATION
• 4.1. The shortest dependency path
• 4.2. A hybrid adaptive deep learning model for biomedical relation extraction
• 4.3. Experimental corpora and comparative models
• 4.4. Experimental environment and model settings
• 4.5. Experimental results and discussion
• 4.5.1. An attentive augmented deep learning model for biomedical relation extraction
• 4.5.2. Experimental environment and model settings
• 4.5.3. Experimental results and discussion
• 4.5.4. A multi-fragment ensemble deep learning model for biomedical relation extraction
• 4.5.4.1. Over-fitting problem of deep learning-based models
• 4.5.4.2. Bagging with bootstrap training data
• 4.5.4.3. Proposed multi-fragment ensemble architecture
• 4.5.4.4. Experimental results and discussion
• 5. GRAPH-BASED INTER-SENTENCE RELATION CLASSIFICATION IN BIOMEDICAL TEXT
• 5.1. Inter-sentence relations classification problem
• 5.2. Proposed graph-based inter-sentence relation classification model
• 5.3. Document sub-graph construction
• 5.4. Paths finding, merging and choosing
• 5.5. Shared-weight convolutional neural network
• 5.6. Experimental results and discussion
• 5.6.1. Experimental environment and model settings
• 5.6.2. Contribution of the added virtual edges in document sub-graph
• 5.6.3. Different sliding window size w for training and testing
• 5.6.4. Contribution of the model components
• 5.6.5. Comparison to comparative model
• CONCLUSION
• LIST OF PUBLICATIONS
• ABBREVIATIONS
• LIST OF FIGURES
• LIST OF TABLES
• Preface

I. Giới thiệu về Trích Xuất Mối Quan Hệ Ngữ Nghĩa trong Văn Bản Y Sinh

Trích xuất mối quan hệ ngữ nghĩa là một bước quan trọng trong xử lý ngôn ngữ tự nhiên (NLP), đặc biệt trong lĩnh vực y sinh. Với sự gia tăng nhanh chóng của các tài liệu khoa học y sinh, việc trích xuất thông tin từ các văn bản này trở nên cấp thiết. Học máy đã được áp dụng rộng rãi để tự động hóa quá trình này, giúp xác định các mối quan hệ giữa các thực thể như gen, bệnh, và hóa chất. Phân tích ngữ nghĩa và từ khóa LSI đóng vai trò quan trọng trong việc tối ưu hóa nội dung và cải thiện hiệu quả của các công cụ tìm kiếm.

1.1. Tầm quan trọng của Trích Xuất Mối Quan Hệ Ngữ Nghĩa

Trong lĩnh vực y sinh, việc trích xuất mối quan hệ giữa các thực thể giúp hỗ trợ nghiên cứu khoa học, chẩn đoán bệnh, và phát triển thuốc. Học máy và phân tích dữ liệu đã trở thành công cụ không thể thiếu trong việc xử lý lượng lớn dữ liệu y sinh. Các mô hình học máy như Latent Semantic Indexing (LSI) giúp tối ưu hóa quá trình trích xuất thông tin, đảm bảo tính chính xác và hiệu quả.

1.2. Ứng dụng thực tiễn của Trích Xuất Mối Quan Hệ Ngữ Nghĩa

Các ứng dụng thực tiễn của trích xuất mối quan hệ ngữ nghĩa bao gồm hỗ trợ chẩn đoán bệnh, phát hiện tác dụng phụ của thuốc, và tối ưu hóa quy trình nghiên cứu y học. Công cụ tìm kiếm được tích hợp các kỹ thuật này giúp các nhà nghiên cứu truy cập thông tin nhanh chóng và chính xác. Nghiên cứu từ khóa và tối ưu SEO cũng được áp dụng để cải thiện khả năng tìm kiếm và truy xuất dữ liệu.

II. Phương pháp Học Máy trong Trích Xuất Mối Quan Hệ Ngữ Nghĩa

Học máy đã được sử dụng rộng rãi trong việc trích xuất mối quan hệ ngữ nghĩa từ các văn bản y sinh. Các kỹ thuật học máy như Latent Semantic Indexing (LSI) và mô hình học sâu giúp cải thiện độ chính xác và hiệu quả của quá trình trích xuất. Phân tích ngữ nghĩa và từ khóa liên quan đóng vai trò quan trọng trong việc tối ưu hóa các mô hình này.

2.1. Mô hình Học Sâu trong Trích Xuất Mối Quan Hệ

Các mô hình học sâu như Bidirectional Long Short-term Memory (biLSTM) và Convolutional Neural Network (CNN) đã được áp dụng để trích xuất mối quan hệ giữa các thực thể trong văn bản y sinh. Những mô hình này giúp xử lý các dữ liệu phức tạp và đa dạng, đảm bảo tính chính xác cao. Phân tích dữ liệu và tối ưu hóa nội dung là các bước quan trọng trong quá trình huấn luyện mô hình.

2.2. Ứng dụng của Latent Semantic Indexing LSI

Latent Semantic Indexing (LSI) là một kỹ thuật quan trọng trong việc trích xuất mối quan hệ ngữ nghĩa. LSI giúp xác định các từ khóa liên quan và tối ưu hóa nội dung văn bản. Từ khóa LSI và từ khóa liên quan được sử dụng để cải thiện hiệu quả của các công cụ tìm kiếm và hỗ trợ quá trình nghiên cứu y sinh.

III. Thách thức và Giải pháp trong Trích Xuất Mối Quan Hệ Ngữ Nghĩa

Mặc dù học máy đã mang lại nhiều tiến bộ trong việc trích xuất mối quan hệ ngữ nghĩa, vẫn còn nhiều thách thức cần được giải quyết. Phân tích ngữ nghĩa và tối ưu hóa nội dung là các yếu tố quan trọng để cải thiện hiệu quả của các mô hình. Công cụ tìm kiếm và nghiên cứu từ khóa cũng đóng vai trò quan trọng trong việc giải quyết các thách thức này.

3.1. Thách thức trong Xử lý Dữ liệu Y Sinh

Dữ liệu y sinh thường phức tạp và đa dạng, gây khó khăn trong việc trích xuất thông tin. Phân tích dữ liệu và kỹ thuật học máy được sử dụng để xử lý các dữ liệu này. Tối ưu hóa nội dung và từ khóa LSI giúp cải thiện hiệu quả của quá trình trích xuất.

3.2. Giải pháp Tối ưu hóa Mô hình Học Máy

Để cải thiện hiệu quả của các mô hình học máy, tối ưu hóa nội dung và phân tích ngữ nghĩa là các bước quan trọng. Công cụ tìm kiếm được tích hợp các kỹ thuật này giúp cải thiện khả năng tìm kiếm và truy xuất dữ liệu. Nghiên cứu từ khóa và từ khóa liên quan cũng được áp dụng để tối ưu hóa các mô hình này.