面向生物文本挖掘的语义标注研究_陈波

收稿日期：2015－06－20基金项目：国家自然科学基金项目“汉语关联结构的资源建设及自动分析模型研究”（61202193）；中国博士后科学基金（2013M540593，2014T70722）；湖北省重点学科建设立项学科成果作者简介：陈波（1976—），女，湖北枣阳人，湖北文理学院文学院副教授，博士，武汉大学计算机学院博士后，主要研究方向：中文信息处理。

面向生物文本挖掘的语义标注研究陈波1，2，吕晨2，魏小梅2（1．湖北文理学院文学院，湖北襄阳441053；2．武汉大学计算机学院，湖北武汉430072）摘要：文章提出了一个新颖的模型———“基于特征结构的递归有向图”，将其用于描述英文生物文本中定语后置的语义关系。

后置定语的用法是复杂多变的，主要有三类情况：现在分词充当后置定语，过去分词充当后置定语，介词短语充当后置定语，这为自动分析带来很多难题。

我们总结和标注了这三类后置定语的语义信息。

与依存结构相比，特征结构可以形式化为可递归的有向图，标注结果表明递归有向图更适合与生物文本挖掘中的复杂语义关系抽取。

关键词：生物文本挖掘；语义标注；递归有向图；后置定语中图分类号：TP301，H085文献标志码：A 文章编号：2095－4476（2015）07－0029－04生物文本的语义标注在生物文本挖掘和信息抽取领域非常重要。

它有助于提高自动检索的精度和有效性［1－3］。

但是，不含语义信息的资源为进一步的实体识别和关键词提取带来了很多难题，而这些信息是医生亟需的，比如：基因表观遗传学（Gene Epigenetics ）、肿瘤（Oncology ）等。

近年来，语义标注在生物标注领域越来越受到重视［4－6］。

面向生物文本挖掘（Biomedical Text Mining ），本文提出了一个新的语义表示模型“递归有向图”。

该模型可以很好地描述或推导出生物文本复杂句型中的生物概念关系。

本文致力于建构一个大规模的标注生物语料库———“the biomedical token semantic associa-tion （bioTSA ）”，可以表示出文本中所有词语（tokens ）的语义关系。

该语料库的语料数据来源于BioNLP2009公开评测任务和BioNLP2013GE 公开评测任务的训练集。

当前依存结构是最流行的分析方法之一，基于依存结构的许多文本分析研究都取得了很大的进展［7－8］。

其他相关的标注研究，例如Kulick ［2］研发的Framework ，集成了树库（Treebank ）和命题库（Propbank ），包含了句法结构和谓词论元结构；又如Kim ［3］研发的语义标注和事件标注系统。

然而在分析生物文本时遇到了很多难题，其中有很多特殊句式，例如：后置定语、复杂名词短语、动补结构等，很难分析出正确的中心词，这就导致下一步的实体关系抽取的错误传播。

我们对面向生物文本的分析提出了一个新的方法———“递归有向图”。

在前期的工作中，我们已经耗费了三年时间建构了一个基于特征结构的三万句规模的中文句子级语义标注语料库［9］，它大大丰富了中文语义资源。

本文尝试运用递归有向图来进行英文的生物文本的语义标注。

本文中，我们选取后置定语作为研究对象。

第一部分讨论了我们提出的标注方法；第二部分对生物文本中的后置定语句进行了标注；第三部分总结了整个标注研究，包括标注数据、标注的一致性问题等；第四部分是结论。

一、递归有向图的语义标注特征结构并非一个新的术语，在很多领域都常见，比如生成语音学［10］、生成短语结构语法［11］、词汇功能语法［12］等。

我们借用特征结构的术语来提出一个新的模型，它可以形式化为递归有向图。

我们关注于更好的语义关系的描述，运用该方法针对生物文本可以更完整地表示语义关系。

一个短语或者句子可以表示为若干个特征结构的集合。

一个特征结构可表示成一个由实体（Entity ）、特征（Feature ）和特征值（Value ）组成的三元组（Triple ）的集合：［实体，特征，特征值］。

递归有向图详见图1。

一个特征三元组（feature structure triple ）形式上可以表示为两个“节点”（node ）和连接它们的一条“边”（edge ）。

实体或特征值表示为两个“节点”，特征表示为两个“节点”之间的“边”。

这样，一个特征结构三元2015年7月第36卷第7期湖北文理学院学报Journal of Hubei University of Arts and Science Jul．，2015Vol.36No.7组可看成是一个“图”（graph ），两个节点之间的方向是从特征值指向实体，因此表现为一个“有向图”（direct-ed graph ）。

一个特征三元组反映一对语义关联，实体作为中心词（the head ），特征值依存于实体［13］。

由于特征结构允许嵌套和多重关联，因此可表示为“有向的递归图”（recursive directed graph ）。

根据前期的研究［9，13］，它更适用于复杂语义关系的抽取。

（1）gene expression ①from the HTLV －ILTＲ图1特征结构：递归有向图图2例1特征结构图例1是带有介词短语的复杂名词短语，在生物文本中该类结构很常见。

该例中，实体是“gene expression ”，特征是“from ”，特征值是“the HTLV －I LTＲ”。

例1由三个特征三元组构成，图2是例1的特征结构图。

Triple 1－1：［expression ，，gene ］；Triple 1－2：［expression ，from ，the HTLV －I LTＲ］；Triple 1－3：［HTLV －I LTＲ，，the ］．（2）Ｒegulation of T 1expression during induction of monocytic differentiation by okadaic acid例2是一篇生物论文的标题，由连续的8个名词构成的复杂名词短语，这个句型比例1更加复杂，其中，很多语义关系是相互关联、交错复杂的。

例2由6个特征三元组构成：Triple 2－1：［regulation ，during ，induction ］；Triple 2－2：［regulation ，of ，expression ］；Triple 2－3：［induction ，of ，differentiation ］；Triple 2－4：［differentiation ，by ，okadaic acid ］；Triple 2－5：［expression ，，T1］；Triple 2－6：［differentiation ，，monocytic ］．在Triple 2－2中，“expression ”是实体“regulation ”的特征值，同时，在Triple 2－5中，“expression ”是实体，它的特征值是“T1”。

单词“differentiation ”也是同样的情况，在Triple 2－3中充当特征值，在Triple2－4中充当实体。

因此，在特征结构模型中，一个节点可以是多重语义关系的节点。

图3是例2的特征结构图。

图3例2特征结构图二、生物文本后置定语句型的语义标注跟形容词相似，后置定语的功能是修饰和描写名词或名词短语［14］，后置定语的用法是复杂多变的。

在生物文本中后置定语句型非常常见。

从句法来说，它大致可分为三种类型：1、小句充当后置定语，例如：who ，whom ，which ，whose 等等；2、短语充当后置定语，例如：不定式短语、现在分词短语、过去分词短语、形容词短语、介词短语等等；3、单个词充当后置定语。

在三种类型中，现在分词短语、过去分词短语和介词短语充当后置定语的情况会为自动分词带来很多难题。

特别是很难确定后置定语修饰的到底是哪一个中心词，这会导致下一步的实体关系的抽取。

我们标注了113篇生物文本，包含906个句子，其中有82个后置定语句，比例占9%。

例3至例5是标注生物文本数据中典型的后置定语例句：（3）T 10mＲNA levels were superinduced in cellstreated with both okadaic acid and cycloheximide ，whereas inhibition of protein synthesis had little ，if any ，effect on okadaic acid －induced T 11transcription．第36卷第7期湖北文理学院学报2015年第7期①加粗并加下划线的词语为中心词，仅加粗的词语为文章讨论的词语，下同。

图4例3特征结构图例3中，后置定语是过去分词短语“treated with bothokadaic acid and cycloheximide ”，它修饰的中心词“cell ”，两者的语义关系是“受事———谓语”。

例3中的后置定语可以描述为3个特征结构三元组，图4是例3的特征结构图。

Triple 3－1：［treated ，，cells ］；Triple 3－2：［treated ，with ，okadaic acid ］；Triple 3－3：［treated ，with ，cycloheximide ］．（4）Suppression of signals required for activation of transcription factor NF －kappa B in cellsconstitutively ex-pressing the HTLV －I Tax protein．例4中，后置定语由现在分词短语“constitutively expressing the HTLV －I Tax protein ”充当，但是它的中心词不能确定，有3个名词可能是中心词：“activation ”，或“transcription factor ”，或“cells ”。

如果仅仅考虑距离，应该是“cells ”；但是根据语义关系，“transcription factor ”应该是正确的中心词。

例4中的后置定语可以描述为6个特征结构三元组，图5是例4的特征结构图。

Triple 4－1：［expressing ，，the HTLV －I Tax protein ］；Triple 4－2：［expressing ，，constitutively ］；Triple 4－3：［expressing ，，transcription factor ］；Triple 4－4：［transcription factor ，，NF －kappa B ］；Triple 4－5：［transcription factor ，in ，cells ］；Triple 4－6：［activation ，of ，transcription factor ］．图5例4特征结构图（5）In contrast ，in a number of multiple myeloma cell lines ，representing differentiated ，plasma cell －like B cells ，PU．1DNA binding activity ，mＲNA expression ，and Pu box －dependent transactivation wereabsent or detectable at a very low level．例5中，很难确定充当后置定语的动词“binding ”的宾语是哪个单词，有可能是单词“activity ”，或者“ac-tivity ，mＲNA expression ”，或者“activity ，mＲNA expression ，and Pu box －dependent transactivation ”。