Sử dụng domain knowledge cho text mining - Aynur Dayanik
Luận án tiến sĩ về ứng dụng domain knowledge trong text mining. Nghiên cứu clustering, retrieval và classification để cải thiện hiệu suất xử lý văn bản.
Rutgers, The State University of New Jersey
Computer Science
Luan An
Luận án
Năm xuất bản
Số trang
156
Thời gian đọc
24 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
50 Point
Mục lục chi tiết
Tóm tắt nội dung
I. Text Mining Với Domain Knowledge Tổng Quan
Luận án tiến sĩ này nghiên cứu việc tích hợp tri thức miền vào các hệ thống khai phá văn bản. Text mining tập trung vào phân tích tự động dữ liệu văn bản để lưu trữ, truy xuất, tổ chức và trích xuất thông tin hữu ích. Các hệ thống text mining thường dựa vào bộ sưu tập tài liệu hoặc dữ liệu huấn luyện được chuẩn bị cho ứng dụng cụ thể. Tuy nhiên, tri thức bên ngoài cũng có sẵn từ cơ sở dữ liệu, sách tham khảo, trang web và nhiều nguồn khác. Luận án này tập trung vào việc sử dụng tri thức bên ngoài để cải thiện hiệu suất của các hệ thống text mining. Nghiên cứu bao gồm ba hướng chính: phân cụm dữ liệu sinh học, truy xuất thông tin khoa học, và phân loại văn bản. Mỗi hướng đều khai thác domain knowledge theo cách khác nhau để nâng cao độ chính xác và hiệu quả của quá trình xử lý ngôn ngữ tự nhiên.
1.1. Mục Tiêu Nghiên Cứu Luận Án Tiến Sĩ
Mục tiêu chính là chứng minh rằng việc tích hợp domain knowledge có thể cải thiện đáng kể hiệu suất của các hệ thống text mining. Nghiên cứu tập trung vào việc phát triển các phương pháp mới để kết hợp tri thức miền với dữ liệu huấn luyện. Luận án đề xuất các kỹ thuật cụ thể cho từng lĩnh vực ứng dụng, từ sinh học tin học đến phân loại văn bản tổng quát.
1.2. Phạm Vi Ứng Dụng Text Mining
Luận án áp dụng các phương pháp text mining vào ba lĩnh vực chính. Lĩnh vực đầu tiên là sinh học tin học, nơi domain knowledge từ cơ sở dữ liệu sinh học được sử dụng. Lĩnh vực thứ hai là truy xuất tài liệu khoa học về chức năng gen. Lĩnh vực thứ ba là phân loại văn bản tổng quát với knowledge extraction từ nhiều nguồn khác nhau.
1.3. Đóng Góp Khoa Học Của Nghiên Cứu
Nghiên cứu đóng góp các phương pháp mới để tích hợp tri thức miền vào text mining. Luận án phát triển kỹ thuật phân cụm dựa trên cấu trúc liên kết của dữ liệu sinh học. Đồng thời, nghiên cứu đề xuất framework Bayesian để kết hợp domain knowledge với dữ liệu huấn luyện trong phân loại văn bản. Các thử nghiệm cho thấy hiệu quả vượt trội, đặc biệt khi dữ liệu huấn luyện hạn chế.
II. Phân Cụm Dữ Liệu Sinh Học Với Domain Knowledge
Phần đầu tiên của luận án tập trung vào việc sử dụng domain knowledge cho phân cụm và truy xuất văn bản trong sinh học tin học. Nghiên cứu mô tả phương pháp phân cụm dữ liệu sinh học bằng cách khai thác cấu trúc liên kết của dữ liệu. Bằng cách xây dựng mạng lưới các chuỗi sinh học, cấu trúc và tài liệu với các mối quan hệ theo cặp, nghiên cứu suy ra các cụm bài báo, chuỗi và cấu trúc liên quan thông qua phân vùng đồ thị. Các cụm kết quả thể hiện tính chủ đề mạnh mẽ, được đo lường bằng cả đánh giá thủ công định lượng và định tính trên nhiều lĩnh vực sinh học. Phương pháp này tận dụng tri thức miền từ các cơ sở dữ liệu sinh học hiện có để cải thiện chất lượng phân cụm. Kỹ thuật graph partitioning được áp dụng để nhóm các đối tượng sinh học có liên quan với nhau.
2.1. Xây Dựng Mạng Lưới Dữ Liệu Sinh Học
Phương pháp xây dựng mạng lưới kết nối giữa các chuỗi sinh học, cấu trúc protein và tài liệu khoa học. Mỗi nút trong mạng đại diện cho một đối tượng sinh học cụ thể. Các cạnh thể hiện mối quan hệ giữa các đối tượng, được trích xuất từ domain knowledge có sẵn. Cấu trúc liên kết này cho phép suy luận về mối liên hệ giữa các đối tượng không được kết nối trực tiếp.
2.2. Kỹ Thuật Graph Partitioning Cho Phân Cụm
Nghiên cứu áp dụng các thuật toán graph partitioning để chia mạng lưới thành các cụm. Mỗi cụm chứa các đối tượng sinh học có liên quan chặt chẽ với nhau. Phương pháp này tự động phát hiện các nhóm chủ đề mà không cần gán nhãn trước. Kết quả phân cụm được đánh giá bằng cả tiêu chí định lượng và định tính.
2.3. Đánh Giá Chất Lượng Phân Cụm
Chất lượng phân cụm được đánh giá trên nhiều lĩnh vực sinh học khác nhau. Đánh giá định lượng sử dụng các chỉ số đo độ tập trung chủ đề của cụm. Đánh giá định tính được thực hiện bởi chuyên gia sinh học để xác minh tính hợp lý của các cụm. Kết quả cho thấy các cụm có tính chủ đề cao và phù hợp với kiến thức sinh học.
III. Truy Xuất Tài Liệu Khoa Học Về Chức Năng Gen
Luận án trình bày một ứng dụng cụ thể của phương pháp phân cụm cho bài toán tìm kiếm các bài báo khoa học mô tả chức năng của gen cụ thể. Đây là một thách thức quan trọng trong sinh học tin học, nơi các nhà nghiên cứu cần tìm tài liệu liên quan đến gen họ đang nghiên cứu. Phương pháp sử dụng domain knowledge từ cơ sở dữ liệu gen và protein để cải thiện độ chính xác của truy xuất thông tin. Bằng cách kết nối gen với tài liệu thông qua mạng lưới tri thức, hệ thống có thể tìm ra các bài báo liên quan ngay cả khi chúng không đề cập trực tiếp đến tên gen. Kỹ thuật này đặc biệt hữu ích khi tên gen có nhiều biến thể hoặc khi thông tin về gen được mô tả gián tiếp. Natural language processing được áp dụng để trích xuất mối quan hệ giữa gen và chức năng sinh học từ văn bản.
3.1. Thách Thức Trong Truy Xuất Tài Liệu Gen
Tìm kiếm tài liệu về chức năng gen gặp nhiều khó khăn do tính đa dạng của thuật ngữ sinh học. Tên gen có nhiều biến thể và đồng nghĩa khác nhau trong tài liệu. Thông tin về chức năng gen thường được mô tả gián tiếp qua các protein hoặc pathway liên quan. Các phương pháp truy xuất truyền thống dựa trên từ khóa không đủ hiệu quả.
3.2. Tích Hợp Domain Knowledge Từ Cơ Sở Dữ Liệu
Nghiên cứu sử dụng tri thức từ các cơ sở dữ liệu sinh học như GenBank, SwissProt và PubMed. Domain knowledge bao gồm thông tin về chuỗi gen, cấu trúc protein và mối quan hệ giữa chúng. Mạng lưới tri thức được xây dựng để kết nối gen với tài liệu qua nhiều bước trung gian. Phương pháp này cho phép tìm ra tài liệu liên quan mà không cần khớp chính xác từ khóa.
3.3. Kết Quả Truy Xuất Và Đánh Giá
Hệ thống được đánh giá trên tập dữ liệu thực tế về nhiều gen khác nhau. Độ chính xác được đo bằng precision và recall so với đánh giá của chuyên gia. Kết quả cho thấy phương pháp tích hợp domain knowledge vượt trội hơn tìm kiếm từ khóa truyền thống. Hệ thống đặc biệt hiệu quả khi tìm tài liệu mô tả chức năng gen một cách gián tiếp.
IV. Phân Loại Văn Bản Với Bayesian Framework
Phần cuối của luận án nghiên cứu việc tích hợp domain knowledge cho phân loại văn bản. Nghiên cứu đề xuất kết hợp domain knowledge với dữ liệu huấn luyện trong framework Bayesian. Domain knowledge được sử dụng để xác định phân phối tiên nghiệm cho các tham số của mô hình hồi quy logistic. Dữ liệu huấn luyện có nhãn được sử dụng để tìm mode của phân phối hậu nghiệm. Phương pháp này cho phép kết hợp linh hoạt giữa kiến thức chuyên gia và dữ liệu thực tế. Khi dữ liệu huấn luyện ít, domain knowledge đóng vai trò quan trọng trong việc hướng dẫn mô hình. Khi có nhiều dữ liệu huấn luyện, mô hình tự động điều chỉnh để phù hợp với dữ liệu quan sát. Thử nghiệm trên ba tập dữ liệu phân loại văn bản cho thấy phương pháp này tạo ra các bộ phân loại hiệu quả, đặc biệt khi dữ liệu huấn luyện hạn chế.
4.1. Mô Hình Hồi Quy Logistic Bayesian
Nghiên cứu sử dụng mô hình hồi quy logistic trong framework Bayesian để phân loại văn bản. Domain knowledge được mã hóa thành phân phối tiên nghiệm cho các tham số mô hình. Phân phối hậu nghiệm được tính toán bằng cách kết hợp tiên nghiệm với likelihood từ dữ liệu huấn luyện. Mode của phân phối hậu nghiệm được sử dụng để dự đoán nhãn cho văn bản mới.
4.2. Mã Hóa Domain Knowledge Thành Prior
Domain knowledge về tầm quan trọng của các từ được chuyển thành phân phối tiên nghiệm. Chuyên gia có thể chỉ định từ nào quan trọng cho mỗi lớp văn bản. Thông tin này được mã hóa thành mean và variance của phân phối Gaussian cho các tham số. Phương pháp cho phép biểu diễn cả kiến thức chắc chắn và không chắc chắn từ chuyên gia.
4.3. Thử Nghiệm Trên Tập Dữ Liệu Thực Tế
Phương pháp được đánh giá trên ba tập dữ liệu phân loại văn bản khác nhau. Thử nghiệm so sánh hiệu quả khi có ít và nhiều dữ liệu huấn luyện. Kết quả cho thấy lợi ích rõ rệt của domain knowledge khi dữ liệu huấn luyện khan hiếm. Khi có đủ dữ liệu, phương pháp vẫn duy trì hiệu suất tương đương với các phương pháp không dùng prior. Framework Bayesian cho phép cân bằng tự động giữa kiến thức chuyên gia và dữ liệu quan sát.
V. Kỹ Thuật Knowledge Extraction Từ Nhiều Nguồn
Luận án đề cập đến các kỹ thuật trích xuất tri thức từ nhiều nguồn khác nhau để hỗ trợ text mining. Knowledge extraction là quá trình tự động thu thập thông tin có cấu trúc từ dữ liệu phi cấu trúc. Các nguồn tri thức bao gồm cơ sở dữ liệu, sách tham khảo, trang web và tài liệu chuyên môn. Nghiên cứu sử dụng cả ontology và taxonomy để tổ chức tri thức miền. Ontology cung cấp cấu trúc khái niệm và mối quan hệ giữa các thực thể trong miền. Taxonomy phân loại các đối tượng theo hệ thống phân cấp. Việc kết hợp nhiều nguồn tri thức giúp tăng độ bao phủ và độ chính xác của hệ thống. Natural language processing được áp dụng để trích xuất thông tin từ văn bản phi cấu trúc. Các kỹ thuật này tạo nền tảng cho việc tích hợp domain knowledge vào các ứng dụng text mining khác nhau.
5.1. Sử Dụng Ontology Trong Text Mining
Ontology cung cấp cấu trúc khái niệm cho domain knowledge trong text mining. Các khái niệm và mối quan hệ trong ontology giúp hệ thống hiểu ngữ nghĩa của văn bản. Nghiên cứu sử dụng ontology sinh học có sẵn như Gene Ontology. Ontology cũng được xây dựng tự động từ văn bản bằng kỹ thuật natural language processing. Thông tin từ ontology hỗ trợ cả phân cụm, truy xuất và phân loại văn bản.
5.2. Tích Hợp Tri Thức Từ Cơ Sở Dữ Liệu
Cơ sở dữ liệu chuyên môn chứa tri thức có cấu trúc về lĩnh vực cụ thể. Nghiên cứu trích xuất thông tin từ các cơ sở dữ liệu sinh học như GenBank, SwissProt, PDB. Dữ liệu được chuyển đổi thành dạng phù hợp cho các thuật toán text mining. Mối quan hệ giữa các thực thể trong cơ sở dữ liệu được sử dụng để xây dựng mạng lưới tri thức.
5.3. Kết Hợp Tri Thức Từ Nhiều Nguồn
Việc kết hợp tri thức từ nhiều nguồn giúp tăng độ bao phủ của hệ thống. Các nguồn khác nhau cung cấp các góc nhìn bổ sung về cùng một lĩnh vực. Nghiên cứu phát triển phương pháp để giải quyết mâu thuẫn giữa các nguồn. Framework thống nhất được xây dựng để tích hợp tri thức từ cơ sở dữ liệu, ontology và văn bản. Kỹ thuật này cải thiện đáng kể hiệu suất của các ứng dụng text mining.
VI. Ứng Dụng Và Hướng Phát Triển Tương Lai
Luận án tiến sĩ này mở ra nhiều hướng ứng dụng và nghiên cứu tiếp theo trong lĩnh vực text mining với domain knowledge. Các phương pháp đề xuất có thể áp dụng cho nhiều lĩnh vực khác ngoài sinh học tin học. Lĩnh vực y học, luật pháp, tài chính đều có thể hưởng lợi từ việc tích hợp tri thức miền. Framework Bayesian cho phép tùy chỉnh linh hoạt theo đặc thù của từng lĩnh vực. Nghiên cứu tương lai có thể mở rộng sang các loại domain knowledge phức tạp hơn. Việc tự động hóa quá trình trích xuất và cập nhật domain knowledge là hướng quan trọng. Kết hợp deep learning với domain knowledge cũng là xu hướng đầy tiềm năng. Các kỹ thuật trong luận án đặt nền móng cho thế hệ hệ thống text mining thông minh hơn, có khả năng tận dụng cả dữ liệu và kiến thức chuyên gia một cách hiệu quả.
6.1. Ứng Dụng Trong Các Lĩnh Vực Khác
Phương pháp tích hợp domain knowledge có thể áp dụng cho nhiều lĩnh vực. Y học có thể sử dụng tri thức từ cơ sở dữ liệu bệnh và thuốc. Luật pháp có thể tận dụng ontology về điều luật và án lệ. Tài chính có thể kết hợp kiến thức về thị trường và quy định. Mỗi lĩnh vực cần điều chỉnh phù hợp với đặc thù của domain knowledge có sẵn.
6.2. Tự Động Hóa Trích Xuất Domain Knowledge
Hướng nghiên cứu quan trọng là tự động hóa việc trích xuất domain knowledge từ văn bản. Kỹ thuật natural language processing có thể xây dựng ontology tự động. Machine learning có thể học các mối quan hệ giữa thực thể từ dữ liệu. Việc cập nhật domain knowledge liên tục cũng cần được tự động hóa. Điều này giúp hệ thống luôn có tri thức mới nhất.
6.3. Kết Hợp Deep Learning Với Domain Knowledge
Deep learning đang thay đổi cách tiếp cận text mining hiện đại. Việc kết hợp domain knowledge vào mô hình deep learning là thách thức mới. Tri thức miền có thể được mã hóa vào kiến trúc mạng neural. Prior knowledge có thể hướng dẫn quá trình học của mô hình. Framework Bayesian cung cấp nền tảng lý thuyết cho việc kết hợp này. Hướng nghiên cứu này hứa hẹn tạo ra các hệ thống text mining mạnh mẽ và hiệu quả hơn.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (156 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộUSING DOMAIN KNOWLEDGE FOR TEXT MINING BY AYNUR DAYANIK A dissertation submitted to the Graduate School—New Brunswick Rutgers, The State University of New Jersey in partial fulfillment of the requirements for the degree of Doctor of Philosophy Graduate Program in Computer Science Written under the direction of Craig Nevill-Manning and approved by \ucd—_— wh — New Brunswick, New Jersey May, 2006 UMI Number: 3240205 INFORMATION TO USERS The quality of this reproduction is dependent upon the quality of the copy submitted. Broken or indistinct print, colored or poor quality illustrations and photographs, print bleed-through, substandard margins, and improper alignment can adversely affect reproduction. In the unlikely event that the author did not send a complete manuscript and there are missing pages, these will be noted. Also, if unauthorized copyright material had to be removed, a note will indicate the deletion.
® UMI UMI Microform 3240205 Copyright 2007 by ProQuest Information and Learning Company. All rights reserved. This microform edition is protected against unauthorized copying under Title 17, United States Code. ProQuest Information and Learning Company 300 North Zeeb Road P.
Box 1346 Ann Arbor, MI 48106-1346 ABSTRACT OF THE DISSERTATION Using Domain Knowledge for Text Mining by Aynur Dayanik Dissertation Director: Craig Nevill-Manning Text mining concerns the automated analysis of textual data to store, retrieve, organize and extract useful information from textual data. Text mining systems usually rely on document collections or training data prepared for a particular application. However, in practice, external knowledge is also available in external databases, reference books, web pages and many other sources. This thesis concerns the use of external knowledge for text mining to improve the performance of text mining systems.
First we focus on using domain knowledge for clustering and text retrieval for bioin- formatics. We describe a method for clustering biological data by exploiting the inter- linked structure of biological data. By constructing a network of biological sequences, structures and literature with pairwise relationships, we infer clusters of related articles, sequences and structures by graph partitioning. The resulting clusters exhibit strong topicality, as measured by both a quantitative and qualitative manual evaluation on several biological domains.
We also present one application of our approach to the problem of finding scientific papers that describe functions of particular genes. Finally, we study incorporating domain knowledge for text classification. We pro- pose combining domain knowledge with training examples in a Bayesian framework. Domain knowledge is used to specify a prior distribution for parameters of a logistic ii regression model, and labeled training data is used to find the mode of the poste- rior distribution.
We show experimentally on three text categorization data sets that this approach can produce effective classifiers, particularly when little training data is available. iii Acknowledgements I thank my advisor Craig Nevill-Manning for his guidance, motivation, and support. I also thank Casimir Kulikowski, David Madigan and David D. Lewis, the other members of my dissertation committee, for their time to read this thesis, and for their insightful comments.
I am particularly grateful to David Lewis and David Madigan for their guid- ance and invaluable feedback on the text categorization and Bayesian logistic regression part of the thesis. I am grateful to Fred Roberts and Paul Kantor for extending me an opportunity to work at DIMACS in the last two years and providing financial support for me. My special thanks goes to Alex Genkin, Vladimir Menkov, Dmitriy Fradkin, Suhrid Balakrishnan and Andrei Anghelescu for collaborations at DIMACS. My special gratitude goes to Michael Grigoriadis, who has been very helpful with his comforting advices in the early years of my graduate studies at Rutgers.
I thank Haym Hirsh, Casimir Kulikowski and Ilya Muchnik for supervising me on independent research projects, which were sources of invaluable experience for me. My deepest thanks and gratitude go to my husband, Savas, and my parents who have constantly supported me. The material in Part I is based upon work supported by the National Science Foun- dation under Grant No. I thank David Synder for evaluating the sample clusters in this part, and for his helpful comments.
The work in Part II was supported under funds provided by the KD-D group for a project at DIMACS on Monitoring Message Streams, funded through National Science Foundation grant EIA-0087022 to Rutgers University. The views expressed in this thesis are those of the author, and do not necessarily represent the views of the sponsoring agency. iv Table of Contents Abstract 2. ee ii Acknowledgements.
eee es iv List of Tables. 0 ee ix List of Figures. Q Q Q Q LH Q HH ng gà và Q a k va xvii 1. Information Retrieval for Bioinflormatlqs.ẼẶ es 3 I Using Domain Knowledge for Genomics Information Retrieval 5 2.
Q Q Q nu ng gà k k k ki v Kia 6 2. HQ HQ kg KV 7 2. Biological Data Types and Their Relationships. Sequence-Sequence Relationships.
Structure-Structure Relationships. Literature-Literature Relationships. Structure-Sequence Relationships. Sequence-Literature Relationships.
Structure-Literature Relatonships. A Network of Literature, Sequences, and Structures. Clustering in Relational Biological Data. rà ga g và va 14 3.
Constructing the Graph. The BioIR System 2. Q Q Q gà gà và và 20 3. Identifying Descriptive Terms From Abstracts.
Experimental Results and Discussion.1, Evaluation of Overall Clustering Quality.00 eee ee ee 23 3. Correlation between Clusters and Go Categories - Go Term As- signment to Clusters. Analysis of Abstracts by Descriptive Keywords. HQ HQ HH ng kg kg kh à IA 33 3.
Partitioning a Graph of Sequences, Structures and Abstracts for In- formation Retrieval. eee ee es 36 4. cv kg cv n v kg V k kg k Kia 36 4.2, Ad Hoc Retrieval Task. ee ee ee es 37 4.
Q Q HQ HQ n kg cv kg TK k kia 39 4. Constructing the Graph. HQ nu ee 46 4. Experiment Using MG.
Experiment Using Clusters. eek kia 4ï Experimentl. Q Q Q Q Q HQ v kY Kia 48 vì Experiment 2. c Q Q ng Q nu cv nà KV kg kà va 49 Domain Expert AnaÌyslS.
“(đ((Á 55 II Using Domain Knowledge for Text Classification 56 5. Text Categorization and Bayesian Logistic Regression. Bayesian Logistic Regression. Choice of Hyperparameter.
Using Domain Knowledge for Text Classification. ee kg kg 64 6. Incorporating Domain Knowledge. No Domain Knowledge.
Using Domain Knowledge as Examples. Priors From Domain Knowledge. 67 Variance-Setting Methods .0+005 69 Mode-Setting Methods. ee ee 70 Choice of (DKRW, Hyperparameter) Pair.
ee ee ee es 72 6. Alternate Supervised Learning Approaches to Text Classification 72 6.ee 73 TREC Genomics Track Biomedical Journal Articles. Q Q Q Q Q LH Quà kia 81 6. eee ee le 84 Text Representation for Bio Articles.
84 vii Text Representation for ModApte .00 02 eee 84 Text Representation for RCVl-v2. 1ã ăãa da 85 Text Processing for Prior Knowledge Documents. ce ee es 86 6. eee ee ee 89 6.
LH HH HQ ng an k kg kg kg v. Experiments on Large Training Set§S. 91 Comparing Bayesian Logistic Regression with SVMs. 91 Effectiveness with Full Training Sets and Domain Knowledge.
Experiments on Small Training Sets. 93 Training Data: 500 Random Examples. 93 Training Data: 5 Positive and 100 Random Examples. 96 Training Data: 5 Positive and 5 Random Examples.
98 Training Data: 5 Positive and their 5 Closest Negative Examples 100 Summary and Discussion of Small Training Set Experiments. Q Q Q LH HQ HQ ung k k kg kia 105 7. Bio Articles Collection Abstract vs. Full Text Representation.
Multiple Runs for Small Training Sets. Effectiveness of Cross-Validation in Choosing DKRW Values. Conclusions and Future Work. a ia II HMII AI.
128 Vita ee 135 vili List of Tables 3. Entropy and purity values for SWISS-PROT and PDB clusterings using PROSITE and SCOP classifications as references, respectively. Some of the PDB structures in p53 cluster 1674. The SCOP classification of the PDB structures are displayed to show that they are indeed related 3.
Evaluation of sample clusters by the domain expert. Scores range from 1 to 10, where 10 means all of the objects are relevant, and 1 means none of them are relevant. GO assignments of the sample clusters. In the Go term column, the Go annotation types are shown in parentheses: BP, MF and CC stand for biological_process, molecular_function and cellular.component, respec- tively.
a is the number of the particular category SWISS-PROT sequences in the cluster, n denotes the number of SWISS-PROT sequences in the cluster, and A is the actual number of the particular Go category SWISS- PROT sequences. we La aaaagaaÁI. The most significant words extracted from the MEDLINE abstracts in each cluster; sorted in ascending order of p-value. The extracted words within each sample cluster are highly topically related.
The twenty most significant Go categories extracted from the MEDLINE abstracts in each cluster; sorted in ascending order of p-value. Although only link structure of the biological databases is used to infer clusters, the individual abstracts within each cluster are highly topically related. Mean average precision results. These results were obtained as follows.
Experiment 1 formed queries by concatenating gene names and symbols from the LocusLink entries. Experiment 2 formed queries by concate- nating not only gene names and symbols from the LocusLink entries but also their variations, and filtered out the abstracts with the incorrect organisms from the result sets as described in the text. NIST supplied statistics are also shown to compare the results with those of the TREC 2003 Genomics track participants. MeSH headings used to map MEDLINE abstracts to organisms.
Summary of tested methods for incorporating domain knowledge into learning. CpKRw is a constant specifying the relative weight given domain knowledge. Full text biomedical journal articles data set ("Bio Articles”). Training sets of various sizes were drawn from the training population of 3742 articles, and classifiers were evaluated on the test set of 4175 articles.
The development set was set aside for tuning, but was not used in the experiments reported here. Category counts in the Bio Articles data for MeSH headings in A11 hi- erarchy. These category counts are computed on all 11,880 documents in our Bio Articles set. Note that since the MeSH “Tumor Cells, Cul- tured” was combined with the MeSH “Cell Line, Tumor” in November 2004, we assumed that 1329 documents associated with “Tumor Cells, Cultured” had in fact the MeSH heading “Cell Line, Tumor”.
Therefore, the corresponding numbers of articles should be adjusted accordingly. RCV1 A-B Regions data set. Small training sets of various sizes were drawn from the training population of 264,569 documents. The training set of 23,149 documents were used in large training set experiments in Section 6.
Classifiers were evaluated on the test set of 120,076 docu- ments. The development set was set aside for tuning, but was not used in the experiments reported here. Contingency table summarizes the relationship between the system clas- sifications (Retrieved/Not Retrieved) and the expert judgments (Rele- vant /Not Relevant) for a binary text categorization problem. The number of documents in the training populations.
The type of domain knowledge and the number of domain knowledge texts (total DK entries column) for computing the IDF weights in defin- ing the priors. Comparing Bayesian logistic regression (Laplace and Gaussian priors) with SVMs on three text categorization test collections using large train- ing sets and with no domain knowledge. Logistic regression models used a hyperparameter tuned by 10,2 cross-validation. Macroaveraged results for SVMs on three text categorization test collec- tions using large training sets with No DK vs.
Macroaveraged results for Bayesian logistic regression with Laplace prior on three text categorization test collections using large training sets. Results are shown for logistic regression models trained with no domain knowledge (No DK), with domain knowledge as positive examples (DK Examples), and by using domain knowledge to derive prior distribution parameters for domain knowledge features.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Text mining với domain knowledge - Luận án tiến sĩ" nghiên cứu về vấn đề gì?
Luận án tiến sĩ về ứng dụng domain knowledge trong text mining. Nghiên cứu clustering, retrieval và classification để cải thiện hiệu suất xử lý văn bản.
Luận án "Text mining với domain knowledge - Luận án tiến sĩ" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Rutgers, The State University of New Jersey. Năm bảo vệ: 2006.
Luận án "Text mining với domain knowledge - Luận án tiến sĩ" thuộc chuyên ngành gì?
Luận án "Text mining với domain knowledge - Luận án tiến sĩ" thuộc chuyên ngành Computer Science. Danh mục: Khoa Học Máy Tính.
Luận án "Text mining với domain knowledge - Luận án tiến sĩ" có bao nhiêu trang?
Luận án "Text mining với domain knowledge - Luận án tiến sĩ" có 156 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Text mining với domain knowledge - Luận án tiến sĩ" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.