基于詞性標(biāo)注的中醫(yī)癥候名語(yǔ)料庫(kù)

游正洋++王亞強(qiáng)++舒紅平

摘 要文章對(duì)中醫(yī)癥候名語(yǔ)料庫(kù)進(jìn)行研究分析，并建立一個(gè)中醫(yī)癥候名的中英文對(duì)齊語(yǔ)料庫(kù)。該語(yǔ)料庫(kù)可以幫助識(shí)別中醫(yī)醫(yī)療記錄中易混淆的癥候名。同時(shí)設(shè)計(jì)了一種標(biāo)注方法對(duì)癥候名數(shù)據(jù)集進(jìn)行標(biāo)注。語(yǔ)料庫(kù)能夠?qū)χ嗅t(yī)臨床癥候名研究提供幫助。

【關(guān)鍵詞】自然語(yǔ)言處理 文本挖掘 語(yǔ)料庫(kù) 中醫(yī)癥候名 詞性標(biāo)注

1 前言

在西方國(guó)家，中醫(yī)是一種與西醫(yī)互補(bǔ)的、可替代的醫(yī)學(xué)系統(tǒng)；但是在亞洲國(guó)家，中醫(yī)在幾千年前就已經(jīng)被用來(lái)治療各種疾病。中醫(yī)是研究人體生理學(xué)、病理學(xué)和預(yù)防治療人類疾病的一門學(xué)科。目前的中醫(yī)理論基于宇宙原理和中國(guó)哲學(xué)，包含了整體論、分化、陰陽(yáng)和五行理論。中醫(yī)的醫(yī)療方法專注于提高人體自我控制系統(tǒng)和人體內(nèi)部環(huán)境的協(xié)調(diào)來(lái)增強(qiáng)人體對(duì)疾病的抵抗力。中醫(yī)的治療相對(duì)復(fù)雜，其醫(yī)學(xué)思想與現(xiàn)代西方醫(yī)學(xué)有很大不同，因此，在大部分研究者看來(lái)中醫(yī)的研究難度相對(duì)較大。目前，文本挖掘越來(lái)越多地被應(yīng)用在中醫(yī)臨床記錄地研究中，而自然語(yǔ)言處理方法被考慮作為一種工具來(lái)提高文本挖掘在中醫(yī)臨床記錄研究中的潛力。文本挖掘的基本目標(biāo)是找出文本中的潛在內(nèi)容和萃取潛在知識(shí)，如內(nèi)在聯(lián)系、簡(jiǎn)潔的用戶模式等。伴隨者中醫(yī)可用數(shù)據(jù)的迅速增加，迫切的需要瀏覽這些從大量文獻(xiàn)中獲取的資源數(shù)據(jù)。中醫(yī)癥候名就是其中最重要的數(shù)據(jù)之一。

然而，中文，尤其是中醫(yī)癥候名，具有非常豐富的語(yǔ)義。在不同的上下文中，一個(gè)中文漢字可能含有超過(guò)一種語(yǔ)義；不同的中文漢字的組合又會(huì)帶來(lái)另外的含義。在中醫(yī)癥候名中，一些癥候名的含義相同但是癥候名稱不一致。例如，“腎氣虛證”和“腎氣虧虛證”的癥候名稱不一致，但是含義是相同的。由于癥候名稱的不一致導(dǎo)致醫(yī)生之間的交流效率受到影響。因此，提高中醫(yī)臨床記錄中的癥候名識(shí)別程度變得很有必要。

根據(jù)以上需求，研究建立了中醫(yī)癥候名的中英文雙語(yǔ)對(duì)齊語(yǔ)料庫(kù)。語(yǔ)料庫(kù)提供了一種通過(guò)英文識(shí)別有混淆語(yǔ)義的中醫(yī)臨床癥候名的方法。該語(yǔ)料庫(kù)同時(shí)也可供中醫(yī)文獻(xiàn)和臨床記錄的文本挖掘使用。

2 語(yǔ)料庫(kù)建立方法

2.1 數(shù)據(jù)處理

中醫(yī)癥候名原始數(shù)據(jù)從病人的診斷記錄和治療記錄中獲取。從中共獲取了812個(gè)未處理的癥候名稱。為了使數(shù)據(jù)集更簡(jiǎn)潔，我們將原始癥候名進(jìn)行切分。在原始癥候名中包含小括號(hào)和中括號(hào)兩種類型的詞匯。小括號(hào)中的漢字表示可以忽略；中括號(hào)中的漢字表示可以進(jìn)行替換。例如，“心氣（虧）虛證”表示“虧”可以忽略，則可將“心氣（虧）虛證”拆分成“心氣虛證”和“心氣虧虛證”兩個(gè)詞；“沖任失[不]調(diào)證”表示“不”可以被替換，則可將“沖任失[不]調(diào)證”拆分為“沖任失調(diào)證”和“沖任不調(diào)證”。經(jīng)過(guò)處理，數(shù)據(jù)集一共包含了1129個(gè)癥候名。接下來(lái)我們分別使用人工翻譯和機(jī)器翻譯將每個(gè)癥候名翻譯為英文，以便對(duì)翻譯質(zhì)量進(jìn)行對(duì)比。我們將一份翻譯標(biāo)準(zhǔn)作為對(duì)比依據(jù)。將處理后的癥候名再分割為單個(gè)漢字，；例如，“心氣虧虛證”被分割為“心”、“氣”、“虧”、“虛”、“證”5個(gè)漢字。

2.2 標(biāo)注方法

語(yǔ)料庫(kù)使用矩陣來(lái)對(duì)1129個(gè)中醫(yī)癥候名進(jìn)行標(biāo)注。矩陣的第一列為被分割的中醫(yī)癥候名漢字，第一行為該癥候名的英文翻譯。如果拆分的漢字與英文單詞對(duì)應(yīng)，則標(biāo)記為“1”；如果在英文翻譯的單詞中沒(méi)有與漢字對(duì)應(yīng)則在“null”列標(biāo)記“1”。圖1為中英文對(duì)齊標(biāo)注矩陣。

我們建立了2個(gè)中英文對(duì)齊數(shù)據(jù)集用于對(duì)比參考。一個(gè)數(shù)據(jù)集通過(guò)翻譯工具進(jìn)行翻譯，另一個(gè)通過(guò)人工進(jìn)行翻譯。我們對(duì)兩者的翻譯質(zhì)量進(jìn)行實(shí)驗(yàn)對(duì)比。

3 實(shí)驗(yàn)

3.1 翻譯質(zhì)量

我們使用一份翻譯標(biāo)準(zhǔn)分別對(duì)工具翻譯和人工翻譯進(jìn)行對(duì)比評(píng)估。使用翻譯工具對(duì)癥候名進(jìn)行翻譯后與翻譯標(biāo)準(zhǔn)進(jìn)行對(duì)比，在1129個(gè)癥候名中工具翻譯與翻譯標(biāo)準(zhǔn)相同的詞為6個(gè)，不同的有1123個(gè)。使用人工翻譯對(duì)癥候名進(jìn)行翻譯則有1124個(gè)詞與翻譯標(biāo)準(zhǔn)相同，5個(gè)詞與翻譯標(biāo)準(zhǔn)不同。從統(tǒng)計(jì)數(shù)據(jù)可以看出，工具翻譯與翻譯標(biāo)準(zhǔn)對(duì)比差距較大，而人工翻譯則與翻譯標(biāo)準(zhǔn)差異較小。說(shuō)明人工翻譯比工具翻譯更為準(zhǔn)確。為了說(shuō)明語(yǔ)料庫(kù)的信度和翻譯難度，我們引入了kappa系數(shù)對(duì)數(shù)據(jù)進(jìn)行分析。

3.2 數(shù)據(jù)集的kappa系數(shù)分析

Kappa系數(shù)是一種廣泛使用的評(píng)估者之間的評(píng)分一致性的指標(biāo)。Kappa系數(shù)公式為：

（1）

其中，p0為實(shí)際一致率，pe為隨機(jī)一致率。如果一致率完全相同則K=1。K值計(jì)算結(jié)果為-1到1之間，其絕對(duì)值越小說(shuō)明一致性越低。

為了分別計(jì)算工具翻譯與人工翻譯的kappa值，我們分別建立了兩組工具翻譯和人工翻譯的數(shù)據(jù)集。兩組工具翻譯采用不同的翻譯工具，兩組人工翻譯同樣使用不同的翻譯人員進(jìn)行翻譯。表1展示了工具翻譯的kappa系數(shù)矩陣。從矩陣可計(jì)算出工具翻譯的kappa值為0.583，說(shuō)明不同的工具翻譯具有中等的一致性。表2展示了人工翻譯的kappa系數(shù)矩陣，其kappa值為-0.009，說(shuō)明不同的人工翻譯之間具有較低的一致性。

4 語(yǔ)料庫(kù)相關(guān)分析

中醫(yī)癥候名的中英文雙語(yǔ)對(duì)齊語(yǔ)料庫(kù)共有1129個(gè)癥候名、5618個(gè)分割漢字和4591個(gè)英文翻譯。在語(yǔ)料庫(kù)中，我們使每個(gè)漢字都與一個(gè)英文翻譯對(duì)齊，如圖2所示。我們通過(guò)中英文的映射標(biāo)記了中英癥候名之間的聯(lián)系。語(yǔ)料庫(kù)提供了中英文的癥候名對(duì)齊，該語(yǔ)料庫(kù)可以用于具有混淆語(yǔ)義的中醫(yī)臨床癥候名的識(shí)別，同時(shí)也可用于中醫(yī)文本挖掘的研究。

5 結(jié)論

中醫(yī)癥候名的中英文雙語(yǔ)對(duì)齊語(yǔ)料庫(kù)完成了3個(gè)相關(guān)任務(wù)：癥候名預(yù)處理，翻譯和癥候名分割，癥候名標(biāo)注與對(duì)齊。該語(yǔ)料庫(kù)可作為中醫(yī)癥候名研究的基礎(chǔ)，同時(shí)可以幫助研究者更有效和更精確地識(shí)別臨床中醫(yī)癥候名。語(yǔ)料庫(kù)也存在以下不足：語(yǔ)料庫(kù)數(shù)據(jù)集數(shù)量偏小。在今后的研究中會(huì)不斷的增加新的中醫(yī)癥候名，使識(shí)別準(zhǔn)確率更加精確。

參考文獻(xiàn)

[1]Fang Y，Huang H，Chen H.TCMGeneDIT：a database for associated traditional Chinese medicine， gene and disease information using text mining[J]. BMC Complementary and Alternative Medicine，2008.endprint

[2]Wang S，Li Y，Devinsky O，et al. Traditional chinese medicine[J]. Complementary and alternative therapies for epilepsy，2005：177-182.

[3]Lu A P，Jia H W，Xiao C，et al.Theory of traditional Chinese medicine and therapeutic method of diseases[J].World journal of gastroenterology：WJG，2004，10（13）：1854.

[4]Hafner C.Introduction to Traditional Chinese Medicine （Out of Print）[J]. 2006.

[5]Ananiadou S，Kell DB，Tsujii [J].Text mining and its potential applications in systems biology. Trends Biotechnol.2006（24）：571-579.

[6]Feng Y，Wu Z，Zhou X，et al.Knowledge discovery in traditional Chinese medicine： state of the art and perspectives[J].Artificial Intelligence in Medicine，2006，38（03）：219-236.

[7]Viera A J，Garrett J M.Understanding interobserver agreement：the kappa statistic[J].Fam Med，2005，37（05）：360-363.

[8]Cohen J.A coefficient of agreement for nominal scales[J].Educational and psychological measurement，1960，20（01）：37-46.

作者單位

成都信息工程大學(xué)軟件工程學(xué)院 四川省成都市 610225endprint