文章發(fā)表時間對生物醫(yī)學(xué)文獻知識發(fā)現(xiàn)的影響

， ， ，，

科技文獻是科研工作者獲取科學(xué)假設(shè)的重要途徑。如何更好地基于文獻進行知識發(fā)現(xiàn)，是未來知識服務(wù)的重要方向。傳統(tǒng)的檢索平臺能夠幫助用戶快速查找文獻，但檢索的文獻數(shù)量龐大，要從候選文獻集中獲得有效的知識，費時費力?；谖墨I的知識發(fā)現(xiàn)研究通過間接關(guān)聯(lián)的挖掘來獲得科學(xué)假設(shè)，影響間接關(guān)聯(lián)挖掘的因素研究是目前該領(lǐng)域的熱點之一。

通過間接關(guān)聯(lián)的挖掘來獲得科學(xué)假設(shè),即如果A與B存在關(guān)聯(lián)，同時B與C也存在聯(lián)系，得到A與C可能通過B存在間接聯(lián)系的假設(shè)[1]。目前生物醫(yī)學(xué)領(lǐng)域開發(fā)的一些文獻知識發(fā)現(xiàn)系統(tǒng)，如Arrowsmith[2]，F(xiàn)acta+[3]，CoPub[4]等，具有較強的可操作性，但由于無法明確間接關(guān)聯(lián)的語義關(guān)系，導(dǎo)致混雜的候選關(guān)系數(shù)成指數(shù)遞增，從中篩選出真正有效的關(guān)系變得困難?，F(xiàn)有方法不斷強化對關(guān)聯(lián)的語義性評價，而關(guān)聯(lián)性強弱只是影響發(fā)現(xiàn)用戶感興趣的特異性關(guān)聯(lián)的因素之一。研究文獻知識發(fā)現(xiàn)過程中影響間接關(guān)聯(lián)挖掘的因素，以便篩選出更多更有效的間接關(guān)聯(lián)。因此，本文利用PubMed的文獻數(shù)據(jù)，分析不同時期的文獻在間接關(guān)聯(lián)挖掘中的作用，探討時間因素在生物醫(yī)學(xué)文獻知識發(fā)現(xiàn)過程中的影響，這對科研人員探索文獻知識發(fā)現(xiàn)關(guān)聯(lián)篩選的新方法具有重要意義。

1 研究設(shè)計

文獻知識發(fā)現(xiàn)的實施主要包括概念實體A、B和C的識別，關(guān)聯(lián)的抽取及間接關(guān)聯(lián)的相關(guān)度計算3個部分。對于一個文獻知識發(fā)現(xiàn)系統(tǒng)來說，用戶輸入概念A(yù)，計算A-B-C之間的關(guān)聯(lián)強度，獲得按關(guān)聯(lián)強度由大到小排序的有序列表[5]。返回的候選結(jié)果的數(shù)量較大時，排在前面的結(jié)果通常是用戶最關(guān)心的。因此，給定每一個A-B-C間接關(guān)聯(lián)，計算其關(guān)聯(lián)性評價的分值SAC，利用SAC對所有候選結(jié)果集進行排序，確保排序靠前的多是關(guān)聯(lián)性較好的結(jié)果，即只關(guān)注分值最高的靠前關(guān)聯(lián)集的準確度P(Precision)，P越大效果越好。

為了探索文章發(fā)表時間對生物醫(yī)學(xué)文獻知識發(fā)現(xiàn)的影響，將給定文獻集按發(fā)表時間(年份)分成訓(xùn)練集Ttrain和Ttest(圖1)，并在y12時間點將訓(xùn)練集Ttrain分成T1和T2兩部分(其中T1

圖1 文獻集按時間劃分為訓(xùn)練集Ttrain和測試集Ttest

1.1 關(guān)聯(lián)建模

利用圖對關(guān)聯(lián)知識進行建模，是目前相關(guān)領(lǐng)域最常用的方法。通常一個簡單的無向無權(quán)網(wǎng)絡(luò)，可記為G=(V ,E)，其中集合V稱為節(jié)點集，V={v1,v2,…,vn}，集合E稱為邊集，E={e1,e2,…,em}，任意一條邊對應(yīng)一個節(jié)點的二元組：ex=(vi,vj)，E是V×V的一個子集。筆者根據(jù)文獻中的語義單元即概念實體及其關(guān)聯(lián)，對文獻中蘊含的知識進行網(wǎng)絡(luò)結(jié)構(gòu)化，構(gòu)建文獻關(guān)聯(lián)知識網(wǎng)絡(luò)。因此，在生物醫(yī)學(xué)文獻關(guān)聯(lián)知識網(wǎng)絡(luò)G=(V,G)中，節(jié)點集V是從生物醫(yī)學(xué)文獻中提取的實體集合(如基因、蛋白質(zhì)、化合物或疾病等各類概念實體)，邊集E 是實體之間來自文獻的信息關(guān)聯(lián)的集合。

1.2 關(guān)聯(lián)提取

基于句子共現(xiàn)的方法進行實體關(guān)聯(lián)的提取[6]，利用NLTK(www.nltk.org)自然語言處理包實現(xiàn)文獻文本處理與關(guān)聯(lián)提取(包括分詞、詞性標注、分塊及名詞短語提取)，并利用MeSH(Medical Subject Headings)醫(yī)學(xué)主題詞表輔助進行詞干化，主要過程如下。

識別出句子的實體NP(Noun Phrase)及其位置：

如果在同一個句子中得到的實體按其在句子中的順序依次為NP1、NP2、NP3，則得到關(guān)聯(lián)：(NP1,NP2)，(NP1,NP3)，(NP2,NP3)。

例如，文獻標題(PMID: 20856896)：β1-syntrophin modulation by miR-222 in mdx mice.提取得到實體及其位置的列表為：

[(β1-syntrophin modulation，1)，(miR-222，4)，(mdx mouse，6)]

進一步得到關(guān)聯(lián)：(β1-syntrophin modulation，miR-222)，(β1-syntrophin modulation，mdx mouse)，( miR-222，mdx mouse)。

在實體識別過程中，未對提取到的名詞詞項進行語義限定與分類，即得到的關(guān)聯(lián)知識網(wǎng)絡(luò)不是一個由特定實體構(gòu)成的關(guān)聯(lián)網(wǎng)絡(luò)，而是盡量收集文獻中出現(xiàn)的各類實體，以滿足通用性和覆蓋率的要求。雖然生物醫(yī)學(xué)文獻中出現(xiàn)的同義詞項、縮寫詞及實體識別算法本身的假陽性率會帶來一定的噪聲，但從總體富集的效果來觀察，不會影響結(jié)果的整體表現(xiàn)。

1.3 間接關(guān)聯(lián)的評價

目前已有多種指標用于評價A-B-C三者之間的關(guān)聯(lián)性[7]。筆者選擇常用的絕對詞頻(Absolute Word Frequency,AWF)計算A-B-C之間的潛在關(guān)聯(lián)性SAC，以輔助比較不同時期文獻用于實施知識發(fā)現(xiàn)時的準確率：

SAC=min(w(A,B),w(B,C))

其中，w(A,B)與w(B,C)分別為A與B、B與C的共現(xiàn)次數(shù)。

1.4 計算準確率

給定測試文獻數(shù)據(jù)集，將文獻數(shù)據(jù)集按時間分成訓(xùn)練集和測試集，分別建立訓(xùn)練網(wǎng)絡(luò)G1=(N1,E1)和測試網(wǎng)絡(luò)G2=(N2,E2)。從N1中隨機選擇m個詞作為種子詞項集A，其中A取訓(xùn)練網(wǎng)絡(luò)與測試網(wǎng)絡(luò)中共同擁有的詞項，即A∈N1∩N2。

在訓(xùn)練網(wǎng)絡(luò)G1中，以種子集A中的節(jié)點為起點提取其間接節(jié)點，得到間接節(jié)點集C，計算所有關(guān)系鏈(A-Btrain-C)的一個分值SAC。對結(jié)果集C按SAC值從大到小排序，取有序結(jié)果集CSorted中前L個詞項，得到CSorted_TopL={c1,c2,…cL}。

在測試網(wǎng)絡(luò)G2中，以種子節(jié)點集A中的節(jié)點為起點提取其直接關(guān)聯(lián)節(jié)點，得到關(guān)聯(lián)節(jié)點集Btest。

計算有序結(jié)果集CSorted前L個詞項集CSorted_TopL的準確率P:

其中，CSorted_TopL∩Btest指CSorted_TopL和Btest的交集即共同擁有的詞項，|CSorted_TopL∩Btest|為交集的節(jié)點數(shù)量，|Btest|指Btest集的節(jié)點數(shù)量。

2 數(shù)據(jù)測試

2.1 數(shù)據(jù)準備

以關(guān)鍵詞“miRNA or MicroRNA”從PubMed中檢索得到51 118條結(jié)果，將標題數(shù)據(jù)集按時間分成訓(xùn)練集和測試集，分別建立訓(xùn)練網(wǎng)絡(luò)G1=(N1,E1)和測試網(wǎng)絡(luò)G2=(N2,E2)。以2012年為分開點，2013-2015年的文獻數(shù)據(jù)作為Ttest測試集，2003-2012年的文獻數(shù)據(jù)作為Ttrain訓(xùn)練集。其中將訓(xùn)練集以2009年為中間點，2003-2009年作為T1時間段的訓(xùn)練集，2010-2012年作為T2時間段的訓(xùn)練集。從T1時間段訓(xùn)練集中隨機選取50個關(guān)鍵詞作為種子詞項A1,從T2時間段訓(xùn)練集中隨機選取50個關(guān)鍵詞作為種子詞項A2。

此外，在計算T1時間段的準確率時，必須從Ttest中去除A1在T2時間段中已經(jīng)形成的關(guān)聯(lián)，才能保證剩下的新關(guān)聯(lián)是在Ttest時期形成的。

2.2 測試結(jié)果

取L=0.1,0.2,0.3,…,1，即取有序結(jié)果集Csorted前10%、20%、10%、20%、30%、40%、50%、60%、70%、80%、90%、100%的詞項時，計算T1和T2的準確率P,結(jié)果如圖2所示。

圖2 L=0.1,0.2,0.3,… ,1.0時T1和T2的準確率P

進一步取靠前的區(qū)間，取 L=0.01,0.02,0.03,…,0.1，即取有序結(jié)果集Csorted前1%、2%、3%、4%、5%、6%、7%、8%、9%、10%的詞項時，計算T1和T2的準確率P,結(jié)果如圖3所示。

圖3 L=0.01,0.02,0.03,…,0.1時T1和T2的準確率P

根據(jù)圖2與圖3的測試結(jié)果，觀察不同時期的文獻用于間接關(guān)聯(lián)挖掘時的表現(xiàn)，發(fā)現(xiàn)由T2時期文獻獲得的準確率顯著大于T1時期文獻所獲得的準確率，即近期文獻集相比早期文獻集在知識發(fā)現(xiàn)時獲得的準確率要高，表明文章發(fā)表時間對生物醫(yī)學(xué)文獻知識發(fā)現(xiàn)具有積極影響。因此，在實際文獻知識發(fā)現(xiàn)時，科研人員多是基于特定領(lǐng)域文獻實施知識發(fā)現(xiàn)的研究，在間接關(guān)聯(lián)性評價過程中考慮時間因素，可以顯著提升知識發(fā)現(xiàn)工作的效率。此外，從整體上看，利用T1與T2時期的文獻集都未能獲得較高的準確率，一方面是因為實體抽取時未過濾那些寬泛概念，如“cell”“gene”“miRNA”等，這些概念存在大量的關(guān)聯(lián)，但在具體關(guān)聯(lián)發(fā)現(xiàn)過程中無實際意義；另一方面，不同時間段內(nèi)相關(guān)領(lǐng)域都存在相應(yīng)的熱點研究內(nèi)容，種子詞的選擇對結(jié)果的準確率影響很大，如果選擇熱點種子詞項，會顯著提升準確率。

3 總結(jié)與討論

面對大數(shù)據(jù)時代知識獲取的需求與挑戰(zhàn)，基于文獻的知識發(fā)現(xiàn)研究對完成從文獻到知識的轉(zhuǎn)化具有重要作用，已成為醫(yī)學(xué)情報分析與輔助科研的一種重要理論與方法。筆者探討了時間因素在生物醫(yī)學(xué)文獻知識發(fā)現(xiàn)過程中對間接關(guān)聯(lián)挖掘的影響。從測試實驗的結(jié)果來看，近期文獻比早期文獻在知識發(fā)現(xiàn)過程中獲得有效新關(guān)聯(lián)的效果要好，表明文章發(fā)表時間對生物醫(yī)學(xué)知識發(fā)現(xiàn)具有一定積極影響，即更新的文獻對下一步科研假設(shè)的形成具有非常重要的促進作用。

由于文獻知識發(fā)現(xiàn)是一個啟發(fā)式的過程，利用知識發(fā)現(xiàn)工具輔助科研時篩選出的關(guān)聯(lián)仍然是需要進一步確證的假設(shè)。因此，在不斷提高文獻文本中實體及其關(guān)系提取質(zhì)量的同時，間接關(guān)聯(lián)篩選的新方法探索變得越來越重要。研究時間因素在文獻知識發(fā)現(xiàn)過程中對間接關(guān)聯(lián)挖掘的作用，能為新方法的探索提供一種新視角、新思路，不失為一種積極而有意義的嘗試。