【文章內(nèi)容簡介】 any表示公司類命名實體，CPerson表示人物類命名實體；CAppoint表示任命類動詞；它的集合為{name ，promote，elect ，appoint}；CResign為離任類動詞，它的集合為{stepdown ，quit ，depart ，resign }。圖中的第一個模式表示“任命”事件。該模式的意義是：如果句子的主語為CCompany語義類，句子的動詞為CAppoint語義類，句子的直接賓語為CPerson類，則這個句子表示一個“任命”事件。圖中的第一個模式表示“離任”事件。該模式的意義是：如果句子的主語為CPerson語義類，句子的動詞為CResign語義類，則這個句子表示一個“任命”事件。表中的第二個模式是一個“辭職”事件模式。該事件模式有二個元組組成，它們是在從句中充當主語的元組CPerson和從句中的動詞短語元組CResign。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。Exdisco的IE模式學習流程，算法描述如下：0)對于一個特定的IE領(lǐng)域任務(wù)，給定：一個未經(jīng)分類的文檔集D；幾個種子IE模式集P。例如，管理職位繼任信息抽取任務(wù)。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。如果文檔含有任意一個種子模式，則為相關(guān)文檔集；若文檔部含有種子模式，則為不相關(guān)文檔集。2)生成新的候選模式將D中出現(xiàn)的每個從句都轉(zhuǎn)換成一個候選模式，計算出這些模式的領(lǐng)域相關(guān)度，并按照這些模式的領(lǐng)域相關(guān)度大小將它們排序。模式p的領(lǐng)域相關(guān)度在首次循環(huán)時的計算公式為：，其中，H(p)是其中出現(xiàn)模式p的文檔集合。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，其中，Rel’(d)是第i次循環(huán)時文檔d的相關(guān)度。3)將領(lǐng)域相關(guān)度最高的模式加到模式集合P中。4)根據(jù)新生成的模式集合P，對每個文檔重新進行領(lǐng)域相關(guān)度計算。5)轉(zhuǎn)1)，直到不再生成新的模式或某種循環(huán)條件達到為止。圖2. 6 Exdisco的IE模式學習流程 基于WordNet和語料標注的IE模式學習系統(tǒng) 基于WordNet和語料標注的IE模式獲取系統(tǒng)的典型代表系統(tǒng)是TIMES。TIMES的工作原理是：一個概念知識庫WordNet的支持，它是領(lǐng)域無關(guān)的。人工給出描述事件信息的文本，系統(tǒng)對該文本進行句法分析。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。TIMES中的IE模式叫做規(guī)則。規(guī)則主要包含兩個部分。第一部分是規(guī)則的觸發(fā)條件，它由一個或多個條件組成，詳細描述了條件具備的要素。模式的第二部分為滿足條件時規(guī)則采取的動作。規(guī)則在條件觸發(fā)后，就完成了一次信息抽取，實現(xiàn)了抽取出正確的目標。R1:Match(X1,pany_type,NG)^Match(X2,need,NG)^Match(X3,specialist,NG) →FS(X1,COMPANY)R2:Match(X1,pany_type,NG)^Match(X2,need,NG)^Match(X3,specialist,NG) →FS(X3,POSITION) 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。R2中含有三個括號表示為子條件句，R2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X3作為事件的POSITOIN角色。TIMES的IE模式學習流程，步驟如下圖所示：1)用戶通過GUI選擇一個含有事件描述的語句。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。3)用戶指示系統(tǒng)將相關(guān)的名詞短語與其所能充當?shù)氖录巧P(guān)聯(lián)起來。4)用戶對某些有歧義的中心詞進行詞義消岐。5)系統(tǒng)記下用戶的相關(guān)操作并形成相應(yīng)的特例模式。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。 圖2. 8 TIMES的IE模式學習流程舉例說明TIMES進行IE模式學習的基本流程0）假設(shè)信息抽取任務(wù)為：從工作信息文本中抽取出公司、職位和職位的地理位置這三個目標信息。l)設(shè)人工給出的事件語句為“The National Technology Group has a need for qualified Inventory Specialists to work at an RTP client site for one month.”2) 對該語句進行分詞、標注、命名實體識別和句法分析后，得到的內(nèi)部結(jié)構(gòu)如下圖所示：Important phrasesTargetSemantic typeheadworSyntactic categorysenseThe Natianal Technology GroupCOMPANYCompanr_typepantNG1HasNoneNonehasVG1A needNoneNoneneedNG1ForNoneNoneforPG1Qualified inventory SpecialistsPOSTITIONNonespecialistNG1atNoneNoneatPG1An RTP client siteLOCATIONNonesiteNG1圖2. 9一個語句經(jīng)過相應(yīng)的NLP步驟處理后所得到的內(nèi)部結(jié)構(gòu):該表共有七列，第一列“Important phrases”列出了句子分詞后的結(jié)果。第二列“Target”表示出事件的重要角色，是第一列詞組充當?shù)哪繕祟愋?，若不能充當IE目標值為None。第三列“Semantic type”列出了左邊短語的語義類型。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。第五列“Syntactic category”顯示左邊短語的語法類型。第六列“sense”列出了中心詞的概念序號。3） 形成的特例模式如下：S(X1，{pany}，NG)∧S(X2，{has}，VG)∧S(X3，{need}，NG)∧S(X4，{for}，PG)∧S(X5，{Speeialist}，NG)∧S(X6，{at}，PG)∧S(X7，{site}，NG)→FS(X1，COMPANY)，F(xiàn)S(X6，POSITION)，F(xiàn)S(X7，LOCATION)圖2. 10 TIMES形成的特例模式4） 人工去除特例模式的無關(guān)信息，得到泛化模式5） 對得到的泛化模式，進行語義泛化 本章小結(jié)本章綜述了各類IE模式學習系統(tǒng)?；谡Z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。在領(lǐng)域無關(guān)的知識庫WordNet支持下，TIMES有了新的進展，不過TIMES依舊需要人工提供案例語句并指導生成相應(yīng)的IE模式，還需要人工或相應(yīng)的規(guī)則對有歧義的詞進行單獨的詞義消岐。試想，能否設(shè)計一種IE模式學習方法，只需人工定義IE任務(wù)，不需要人工提供種子模式、人工進行語料分類、人工進行語料標注，就能夠?qū)崿F(xiàn)自動學出相應(yīng)的IE模式。這樣的方法會在很大程度上減輕用戶的輔助工作量。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。3 中醫(yī)醫(yī)案特征分析中醫(yī)醫(yī)案是醫(yī)務(wù)人員對病人患病經(jīng)過和治療情況所作的文字記錄，是醫(yī)生診斷和治療疾病的依據(jù),也是醫(yī)學科學研究中很有價值的資料。病案中包含著豐富的病證、用藥等相關(guān)知識，是醫(yī)生診斷和治療疾病的依據(jù)，是醫(yī)學科學研究中很有價值的資料。中醫(yī)學經(jīng)過幾千年的發(fā)展，積累了大量的優(yōu)秀病案，形成了一筆寶貴的財富。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。為了能有效的利用這些病案資源，本章首先通過對大量醫(yī)案進行了研究，歸納總結(jié)了中醫(yī)醫(yī)案在結(jié)構(gòu)和內(nèi)容上的特征；然后分析了對病案信息進行抽取研究的基礎(chǔ)、前提及存在的問題；最后針對病案的特征以及目前存在的問題，概括了針對病案信息的不同特征采取的相應(yīng)抽取策略。 中醫(yī)醫(yī)案特征分析 中醫(yī)醫(yī)案結(jié)構(gòu)特征分析計算機技術(shù)與互聯(lián)網(wǎng)技術(shù)突飛猛進的發(fā)展，改變了人們的生活。在信息時代，利用計算機技術(shù)從海量信息中發(fā)現(xiàn)知識是目前最主要的需求。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。通常采用結(jié)構(gòu)化醫(yī)案模板來實現(xiàn)病案信息的采集，這樣的方式不僅需要精通領(lǐng)域知識的專家，而且需要花費大量人力和物力。信息抽取技術(shù)的出現(xiàn)有效地處理了該難題。為了能利用計算機技術(shù)自動抽取這些信息，首先需要對病案的結(jié)構(gòu)和特征有充足的認識。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。李某，女，30歲，教師。初診時間：1974年4月8日。主訴：醫(yī)院精神補腹安膨隆教師，四年前患肝炎，經(jīng)縣醫(yī)院治愈。但稍老則右脅隱痛，食欲欠佳。去年夏天因過食冷食，腹痛腹瀉，日瀉10余次，為稀水樣便，伴惡心嘔吐，經(jīng)本地保健員按“胃腸炎”治療好轉(zhuǎn)。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。苔白膩，質(zhì)淡紅稍胖，脈弦緩。辨證：肝脾失調(diào)，濕阻血瘀。為臌脹（晚期肝硬化合并脾機能亢進）。治則：調(diào)理肝脾，利濕化瘀。處方：當歸12 g，白芍15 g，白術(shù)10 g，云苓20 g，柴胡6 g，香附9 g，郁金9 g，青皮9 g，腹皮12 g，丹皮9 g，元胡9 g，山甲9 g，鱉甲15 g，丹參15 g，牡蠣15 g，甘草3 g。上方藥服六劑，腹脹搭建，飲食轉(zhuǎn)佳，小便自如。唯脾腫大不減，湯劑中加元胡9克，桃仁9克；配服鱉甲煎丸，每次60丸（小水丸），日服3次。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。圖3. 1 一份典型的中醫(yī)肝病病案，通過對大量病案的分析總結(jié)，得出中醫(yī)病案信息在結(jié)構(gòu)上具有如下特征：一份醫(yī)案按照內(nèi)容可以劃分為幾類信息,它們是病人基本信息、主訴、診查、辯證、治則、處方和按語等。通常每個段落對應(yīng)一部分信息，我們把這稱為段落主題。每類信息中又包含子信息，例如病人基本信息中又包含姓名、年齡、出診時間和職業(yè)。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。這些信息并不需要都出現(xiàn)在一分醫(yī)案中。例如家族史、西醫(yī)檢查等信息可以不出現(xiàn)。段落主題位于每個段的段首，“處方”“按語”。不過也可以沒有段落主題。特征1表明了醫(yī)案的內(nèi)容是嵌套形式的，不同內(nèi)容下又包含具體信息，可以將這些信息組織到一顆樹中。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。 中醫(yī)醫(yī)案內(nèi)容特征分析通過分析研究大量的中醫(yī)醫(yī)案，同時學習中醫(yī)學基礎(chǔ)原理，我們總結(jié)中醫(yī)醫(yī)案在內(nèi)容和表達方式下存在如下特征：通過對大量中醫(yī)病案的分析及中醫(yī)學發(fā)展歷史的研究，中醫(yī)病案在內(nèi)容和表達方式上具有如下特征：句法簡單：在中醫(yī)病案中，通常以句式簡單的陳述句式為主，幾乎不會出現(xiàn)具有二義性的語句。這為自然語言處理和信息抽取提供了較好的先決條件。口語特性：中醫(yī)病案一般是根據(jù)醫(yī)生的語言習慣對各項信息進行描述，格式上并沒有做出嚴格具體的要求，表達方式靈活多樣。另外，經(jīng)常出現(xiàn)一些縮寫詞，以簡化書寫過程。例如將泌尿道感染稱為泌感、將高血壓性心臟病稱為高心病，將急性支氣管炎稱為急支。中藥名如生龍牡（生龍骨．生牡蠣）、二冬（麥門冬，天冬門）、二地（生地，熟地）等。時序性：中醫(yī)醫(yī)案一般由初診、二診等多診信息組成，記錄了整個診療過程中病人病情的發(fā)展變化。這一特征為明顯的時序特性。概念不統(tǒng)一：一個概念可以有多種名稱來表示，存在這種現(xiàn)象主要因為中醫(yī)中的醫(yī)學概念名稱缺乏一個統(tǒng)一的規(guī)范命名系統(tǒng)，致使一個概念有多種名稱來表示。比如：癆瘵、勞嗽、急癆、傳尸等均表示肺癆這種病。 中醫(yī)領(lǐng)域本身的特點中醫(yī)醫(yī)案作為記錄醫(yī)生臨床治療過程的方法和手段，在中醫(yī)領(lǐng)域，其具有一些特定的特點，分為以下幾個方面：半文言特性：中醫(yī)學的形成與發(fā)展已有數(shù)千年的歷史，是中華民族在長期的生活、生產(chǎn)及醫(yī)療實踐中的經(jīng)驗總結(jié)，因此與中國古代文化互相交融滲透。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。具有自然語言與醫(yī)學雙重特性：中醫(yī)學作為醫(yī)學的一門學科，具有醫(yī)學自身的特征。另外，由于中醫(yī)學的研究與知識的積累等的載體都是中文自然語言而非人工語言，因此對中醫(yī)學的研究必然要受到所使用語言載體的限制。模糊性，量化困難：由于中醫(yī)學整體論治的特點，使得中醫(yī)理論與實踐有模糊性的一面，治病主要憑經(jīng)驗，證的輕重程度還未能得到科學的量化，所有這些問題都必須在宏觀上、整體上加以解決。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。陰陽五行理論、經(jīng)絡(luò)理論、氣血等學說匯聚一體，形成了龐大且復(fù)雜的中醫(yī)理論體系結(jié)構(gòu)，同時還衍生出許多相關(guān)學科，致使中醫(yī)學概念之間復(fù)雜，知識表示困難。目前自然語言處理只能處理一般的文本。而上述的幾個方面表示了中醫(yī)醫(yī)案具有其特定的領(lǐng)域特點。這樣導致了對中醫(yī)醫(yī)案文本處理存在諸多困難。 中醫(yī)醫(yī)