基于SVMs蛋白質交互作用關系抽取.pdf

1、從生物醫(yī)學文獻中抽取蛋白質交互作用關系是二十一世紀生物醫(yī)學領域研究的熱點內容之一，研究并實現有效的蛋白質交互作用關系抽取方法是本文的主要研究內容。本文在深入研究現有蛋白質交互作用關系抽取方法的基礎上，建立了一種基于支持向量機(SVM)的蛋白質交互關系抽取模型，并針對SVM模型在分類超平面分類精度不高和實驗語料中正負例數據不平衡的問題，提出了三種不同的改進模型：
　　 (1)SVM與互信息(Mutual Information，M

2、I)組合模型。通過對SVM模型的分類結果進行分析后發(fā)現，SVM和其它統(tǒng)計分類模型一樣，出錯樣本點多數集中在分類超平面附近。在SVM和互信息組合算法中，對于分類超平面附近的樣本點通過計算樣本點的互信息，然后根據互信息的值進行分類，對于距離分類超平面較遠的樣本仍然使用SVM模型分類。
　　 (2)修正的SVM-KNN(K Nearest Neighbor，KNN)組合模型。在特征空間中計算測試樣本到SVM最優(yōu)分類超平面的距離，當該距

3、離大于給定的閾值時，使用SVM模型的分類結果作為樣本的最終分類結果，否則使用修正KNN方法對樣本進行分類，這時，特征空間中所有的點都作為參考點，計算待分類樣板到所有參考點的歐式距離，然后將得到的距離排序，找到距離待分類樣本點最近的K個參考點，看這K個參考點的多數點屬于哪一類，就將該樣本分為哪一類。根據樣本在特征空間中的不同分布使用不同的方法對SVM模型的分類性能進行優(yōu)化。
　　 (3)修正SVM-KNN與互信息組合模型。SVM與

4、互信息組合模型、修正的SVM-KNN模型都取得了不錯的效果，因此本文也嘗試將修正的SVM-KNN模型與互信息相結合。結合的方法是通過將得到的互信息值作為SVM模型的一個特征進行訓練，然后結合SVM和修正的KNN算法來構造新的二值分類器。對于分類超平面附近的樣本采用修正KNN算法進行分類，對距分類超平面較遠的樣本點仍然使用SVM模型進行分類。
　　 本文先對語料進行預處理，抽取特征，并將抽取的特征轉換為二進制特征向量，并在此基礎上