【正文】 29 圖 5. 1 中醫(yī)信息抽取流程圖 ......................................................................... 33 圖 5. 2 典型中醫(yī)肝病醫(yī)案 ............................................................................. 35 圖 5. 3 典型中醫(yī)肝病醫(yī)案分詞標注結(jié)果 ...................................................... 36 圖 5. 4MapRules 的數(shù)據(jù)結(jié)構(gòu) ......................................................................... 39 基于規(guī)則的信息抽取技術(shù)的研究及其在中醫(yī)醫(yī)案文獻中的應(yīng)用 XII 圖 5. 5 典型中醫(yī)肝病醫(yī)案信息抽取結(jié)果 ....................................................... 44 圖 6. 1 基于模式匹配的中醫(yī)醫(yī)案信息抽取系統(tǒng)結(jié)構(gòu)圖 ............................... 48 圖 6. 2 信息抽取模塊流程圖 .......................................................................... 50 圖 6. 3 用戶登錄界面設(shè)計 .............................................................................. 51 圖 6. 4 用戶管理界面設(shè)計 .............................................................................. 52 圖 6. 5 系統(tǒng)主界面設(shè)計 ................................................................................. 52 圖 6. 6 用戶詞典管理界面 .............................................................................. 53 圖 6. 7 基于模版匹配的抽取界面 .................................................................. 54 北京科技大學碩士學位論文 XIII 附表清單 表 5. 1 模式庫 系統(tǒng)用到的 16 個模式 ........................................................... 31 表 5. 2 模式中數(shù)字的含義 ............................................................................. 32 表 5. 3 模式中字母的含義 ............................................................................. 32 表 5. 4 中醫(yī)醫(yī)案的用戶詞典 ......................................................................... 34 表 5. 5 VecWordCate 數(shù)據(jù)結(jié)構(gòu)圖 .................................................................. 39 表 5. 6 基本信息部分實例 ............................................................................. 40 表 5. 7 主訴部分存儲實例 ............................................................................. 40 表 5. 8 治則部分存儲實例 ............................................................................. 41 表 5. 9 VecWordCate 數(shù)據(jù)結(jié)構(gòu)圖 .................................................................. 41 表 6. 1 用戶信息表 ......................................................................................... 50 表 6. 2 案例信息表 ......................................................................................... 51 北京科技大學碩士學位論文 1 1 緒論 課題背景 課題的來源，目的和意義 該研究課題來源 于 “十二五”國家科技支撐計劃“ 名老中醫(yī)臨床經(jīng)驗、學術(shù)思想傳承研究（一） ” 項目。 重點研究了基于聚類的模式獲取問題，以及基于模式的中醫(yī)醫(yī)案的信息抽取問題。面對海量文本形式的醫(yī)案，目前普遍采用手工填寫結(jié)構(gòu)化采集模板的方法結(jié)構(gòu)化病 案信息，不僅耗費大量人力物力，而且不能反應(yīng)各個專家的特點。 最后，感謝所有在百忙之中參 加我論文答辯的老師們，在此致以我崇高的敬意和衷心的感謝。感謝在這 近 三年時間里給予我知識的老師們，正是由于他們的辛勤施教，使我學到了許多寶貴的知識，能夠順利完成學業(yè)。在整個畢業(yè)論文完成過程中，孫老師定期了解課題進展，積極提出寶貴意見，在老師嚴謹治學、精益求精的工作作風中體會到了老師崇高的人格魅力。 論文題目： 基于模式 的 語義信息抽取及 應(yīng)用 研究 基于模式 的 語義信息抽取及應(yīng)用研究 Semantic information extraction technology and application based on patterns Master Degree Candidate： Wang Shuang Supervisor： Sun Yi School of Computer amp。 在本人讀研期間，孫老師無論在學習還是在生活上，都給予了無微不至的關(guān)心。 我還要感謝幫助和鼓勵過我的每一位同學，他們是韋仕偉、于留寶、付彬、華鎮(zhèn)。 他們的關(guān)心與幫助是我學習和生活最大力量來源。 從 而可以通過 研究這些醫(yī)案，進而了解中醫(yī)學的方法和理論 ， 從而快速、全面 地 了解 中醫(yī)理論和技術(shù)。本文的主要工作包括以下幾個方面： 綜述信息抽取及相關(guān)技術(shù)方法，主要內(nèi)容包括相關(guān)概念的介紹，技術(shù)專有名詞的解釋說明，還包括對各種技術(shù)的分析。該系統(tǒng)提供了一個方法以供用戶使用，能夠很好的實現(xiàn)對中醫(yī)醫(yī)案信息的抽取。研發(fā)信息抽取系統(tǒng)，實現(xiàn)系統(tǒng)自動識別出醫(yī)案文本中特定語義信息。本文根據(jù)中文自身的特點， 考慮到模式即為在文本中經(jīng)常出現(xiàn)的句法結(jié)構(gòu) ， 同時借鑒 英文文本的模式獲取方法 ， 提出一種基于聚類的 模式獲取 方法，實現(xiàn)了 從中醫(yī) 醫(yī)案 中自動獲取模式。 本文嘗試采用基于模式匹配的正則匹配算法。構(gòu)建動詞庫、模式庫。 第二章給出了模式自動生成的學習方法以及它們的優(yōu)缺點。根據(jù) IE模式獲取系統(tǒng)需要用戶輔助工作 方式 的不同，可以把這些系統(tǒng)分為四個類別： 它們?yōu)?基于人工語料標注的 IE模式學習系統(tǒng)，如 AutoSlog、PALKA、 CRYSTAL、 LIEP 等 。下面 分別 介紹這四類系統(tǒng)的工作原理。 AutoSlog 是世界上第一個成功實現(xiàn)利用機器學習的方法獲取信息抽取模式的系統(tǒng)，由 Massachusetts 開發(fā)。另外，整個統(tǒng)的實現(xiàn)需要 CIRCUS 句法分析器的輔助支持， CIRCUS 句法分析器的功能是自動識別句子中的主語、謂語和賓語等。圖 列出了 針對恐怖活動事件用到 的語言模式，以及與它們對應(yīng)的一條 IE 模式。 語言模式“ subject activeverb”的含義是 :一個充當主語的語法成分后面緊跟著一個主 動形式的動詞短語。上圖中列出的其它語言模式和與 每條語言模式相對應(yīng)的 IE 模式案例可按類似的方法解釋。但這些系統(tǒng)仍較多的依賴于手工的參與，可認為這些系統(tǒng)僅是一種半自動化的知識獲取系統(tǒng)。如 AutoSlog，其輸入可描述為“標注實例 +啟發(fā)規(guī)則”，雖然該系統(tǒng)仍在一定程度上依賴于領(lǐng)域?qū)I(yè)和語言學知識，但已大大減少了手工的參與，原先需1500 人小時構(gòu)建的概念節(jié)點， AutoSlog 只要 5 人小時進行監(jiān)督即可完成。 該類系統(tǒng)的工作原理是： 由人工將語料 分為領(lǐng)域相關(guān)和領(lǐng)域不相關(guān) 兩類 ，系統(tǒng)根據(jù)這種分類方式學習出 IE 模式。整個過程可以分為兩個階段。optional target:(PHYSICALOBJECT) 。根 據(jù) AutoSlog 中用到的語言模式“ Subjectpassiveverb”和“ passiveverb prep (np)”，生成兩個Concept Node“ x was bombed” 和“ bombed by y”。 圖 2. 4 AutoSlogTS 學 習 IE 模式的流程 基于 自舉 的 IE 模式學習系統(tǒng) 對于一個信息抽取任務(wù)，該類系統(tǒng)需要人工 提供幾個有代表性的種子模式，系統(tǒng)的輸出是從相關(guān)領(lǐng)域文本中學習出的 IE 模式，同時系統(tǒng)將相關(guān)領(lǐng)域文本做相關(guān)性分類。圖 2. 5 列出了 人工給出的兩個種子模式，該 IE 模式用于管理職位繼任事件。 圖中的第一個模式表示“離任”事件。該模式的含義是 ： 當符合各自語義約束和語法約束 的二個元組都出現(xiàn)在同一個從句中的時候，則說明該從句描述了一個“管理職位繼任”事件類別中的“辭職”事件。人工指導 系統(tǒng)從語義和 語法兩個方面對語句做泛化處理，最終生成 IE 模式。模式的第二部分為滿足條件時規(guī)則采取的動作。 1）根據(jù)給出的種子模式，系統(tǒng)劃分文檔集合為領(lǐng)域相關(guān)文檔集和領(lǐng)域不相關(guān)文檔集。后續(xù)循環(huán)中，模式的領(lǐng)域相關(guān)度的計算依賴于其所出現(xiàn)在的文檔的相關(guān)度，即i 1 i( p )( p ) (1 / H ( p ) ) * R e l ( d )dhs c o r e ? ?? ?，其中， Rel’ (d)是第 i次循環(huán)時文檔 d 的相關(guān)度。 基于規(guī)則的信息抽取技術(shù)的研究及其在中醫(yī)醫(yī)案文獻中的應(yīng)用 10 圖 2. 7TIMES 中的模式 例子 R1 中含有三個括號表示為子條件句， R1 的含義是：若語句滿足條件（ 1）X1 是 pany_type 語義類，同時是 NG語法類型（ 2） X2 的中心詞為 need，同時是 NG 語法類型（ 3） X3 的中心詞為 speeialist，同時是 NG 語法類型，則 X1作為事件的 COMPANY 角色。 2)系統(tǒng)對該語句進行分詞、詞性標注、命名實體識別和部分句法分析，并以每個短語最后的一個詞作為短語的中心詞。 6)系統(tǒng)從語法和語義兩個方面對形成的特例模式進行泛化，形成一個泛化模式。第四列“ headword”列出了左邊的短語的中心詞，規(guī)定短語的最后一個詞為中心詞。 基于語料標注的 IE 模式學習系統(tǒng) 、基于語料分類的 IE模式學習系統(tǒng)和和基于 自舉 的 IE 模式學習系統(tǒng) ，這三個階段系統(tǒng)的發(fā)展使得對用戶輔助工作 要求越來越少，但 基于人工建立的 概念層次知識 庫是必不可少的。 本文在借鑒已有的面向英文文本的信息抽取系統(tǒng)的成功經(jīng)驗， 提出一種基于聚類的信息抽取模式自動生成方法， 相關(guān)內(nèi)容 將在第 四章 做 詳細介紹。因此，如何有效的利用這些資源，成為一個亟待解決的重要問題。信息的識別是信息挖掘的前提 ， 比如病人姓名、病人出初時間、方藥信息，基本癥狀信息等。下面首先以一份有代表性的肝病病案為例，分析中醫(yī)病案的結(jié)構(gòu)及特征。 一份醫(yī)案的幾種類型信息在文本中特定的位置存在，它們由上到下分布。 初診時間： 1974 年 4 月 8 日。 診查：腹膨隆，左少腹劇烈壓痛三天，皮蒼黃，青筋微露，雙下肢凹陷性浮腫，頸胸部有少許散在蜘蛛痣，肝腫大脅下 6 厘米，脾腫大脅下 14 厘米，精神不振，言語低微，面容暗黃，時感惡心、嘔吐。 治則：調(diào)理肝脾，利濕化瘀。 按語：本案先因慢性肝炎而致右脅隱痛、飲食欠佳；復(fù)傷于冷食，脾胃受損，泄瀉不已，久則脾不運化，濕濁停聚，進一步阻滯氣機。特征 特征 3 表明病案的結(jié)構(gòu)具有主題特征，信息前具有標題表 示其主題，主題有固定詞語表示。另外， 經(jīng)常出 現(xiàn)一些 縮寫詞， 以簡化書寫過程。這一特征為 明顯的時序特性。在中醫(yī)學的發(fā)展中，一些早期著作中的大量表述被長期沿用并逐漸術(shù)語化，以至于在當今的醫(yī)案中仍大量存在，比如“陰虛津虧、風熱疫毒”等，使得中醫(yī)醫(yī)案具有明顯的半文言特性。 知識關(guān)系復(fù)雜： 中醫(yī)學發(fā)展 延伸 了幾千年，中醫(yī)理論知識龐大且豐富 。這樣導致了對中醫(yī)醫(yī)案文本處理存在諸多困難。