PU場景下的生物醫(yī)學(xué)命名實(shí)體識別算法研究

高冰濤 ，翟振剛 ，劉 斌

（1.中國電子科技集團(tuán)公司第三十六研究所，浙江 嘉興 314000；2.西北農(nóng)林科技大學(xué) 信息工程學(xué)院，陜西 楊凌 712100）

0 引言

近年來，由于生物醫(yī)學(xué)領(lǐng)域命名實(shí)體識別研究的潛在應(yīng)用價(jià)值和問題的復(fù)雜性，這項(xiàng)研究已經(jīng)吸引了很多感興趣的研究者。目前大部分生物醫(yī)學(xué)命名實(shí)體的識別主要集中在識別Medline文本中的基因和蛋白質(zhì)的名稱，識別分子生物醫(yī)學(xué)中的命名實(shí)體成為生物信息學(xué)中知識發(fā)現(xiàn)的最基本任務(wù)。例如Merry K P和Modi M在文本中提取蛋白質(zhì)互作信息，第一步就是蛋白質(zhì)名稱的識別[1]。準(zhǔn)確高效的生物醫(yī)學(xué)命名實(shí)體識別系統(tǒng)對生物醫(yī)學(xué)和生物信息學(xué)工作者的研究具有重要的作用和意義[2]。

在傳統(tǒng)的生物醫(yī)學(xué)命名實(shí)體識別中工作中，由于維特比算法在序列數(shù)據(jù)中的優(yōu)良表現(xiàn)和生物醫(yī)學(xué)命名實(shí)體的特性，多采用隱馬爾可夫模型（Hidden Markov Models，HMM）[3]作為主要算法進(jìn)行研究和應(yīng)用[4]。例如：基于單詞相似度平滑技術(shù)的HMM命名實(shí)體識別分類器[5]、PowerBioNE生物命名實(shí)體識別系統(tǒng)[6]、BioTrHMM生物醫(yī)學(xué)命名實(shí)體識別系統(tǒng)[7]，Jie Zhang等人也指出HMM在生物醫(yī)學(xué)領(lǐng)域中進(jìn)行命名實(shí)體識別的有效性[8-9]等。

在生物醫(yī)學(xué)命名實(shí)體識別領(lǐng)域中，傳統(tǒng)的識別算法為了獲得良好的預(yù)測性能和保證模型的健壯性，通常要使用大量的標(biāo)注數(shù)據(jù)對模型進(jìn)行訓(xùn)練。但是，在實(shí)際應(yīng)用當(dāng)中，我們能夠直接獲得的全標(biāo)注數(shù)據(jù)往往很少，并且人工標(biāo)注數(shù)據(jù)的成本高昂。PU學(xué)習(xí)作為一種半監(jiān)督學(xué)習(xí)方法，具有比傳統(tǒng)的有監(jiān)督學(xué)習(xí)方法更大的靈活性。與有監(jiān)督學(xué)習(xí)方法相比，半監(jiān)督學(xué)習(xí)方法需要的標(biāo)注數(shù)據(jù)樣本數(shù)量少，降低了分類模型對目標(biāo)領(lǐng)域標(biāo)注樣本的需求量，克服了模型學(xué)習(xí)過程中由于目標(biāo)領(lǐng)域標(biāo)注數(shù)據(jù)樣本不足造成的局限。半監(jiān)督學(xué)習(xí)方法，在標(biāo)注數(shù)據(jù)不足的情況下，不僅可以保證算法的性能，還有效地節(jié)約了資源。

正例未標(biāo)注學(xué)習(xí)[10]，即PU學(xué)習(xí)（Positive and Unlabeled Learning），是一種半監(jiān)督學(xué)習(xí)方法。PU學(xué)習(xí)在疾病基因的識別[11]、與時(shí)間有關(guān)的數(shù)據(jù)流問題的處理[12]和構(gòu)建AUC優(yōu)化方法[13]等方面應(yīng)用廣泛，并且在不確定數(shù)據(jù)和風(fēng)險(xiǎn)評估方面都取得了非常好的效果[14-17]。

研究至今，暫沒有發(fā)現(xiàn)研究者在生物醫(yī)學(xué)命名實(shí)體識別領(lǐng)域中通過使用PU學(xué)習(xí)進(jìn)行研究的相關(guān)內(nèi)容。本文將PU學(xué)習(xí)有效地應(yīng)用到生物醫(yī)學(xué)命名實(shí)體識別當(dāng)中，在少量標(biāo)注數(shù)據(jù)和大量未標(biāo)注數(shù)據(jù)的情況下構(gòu)建模型，實(shí)現(xiàn)命名實(shí)體識別。本文主要是從PU學(xué)習(xí)中的兩步法和隱馬爾可夫模型的角度展開研究，將生物醫(yī)學(xué)領(lǐng)域中的命名實(shí)體識別問題轉(zhuǎn)化為PU場景下的命名實(shí)體識別問題，在PU場景下建立隱馬爾可夫模型，對命名實(shí)體進(jìn)行識別。

1 問題定義

給定目標(biāo)領(lǐng)域數(shù)據(jù)集為D=P∪U，其中P表示數(shù)據(jù)集中的正例樣本的集合，U表示數(shù)據(jù)集中未標(biāo)注數(shù)據(jù)樣本的集合，U中同時(shí)含有正例樣本數(shù)據(jù)和負(fù)例樣本數(shù)據(jù)。每個(gè)數(shù)據(jù)樣本可以表示為〈x，f（x），y〉，其中，x 表示觀測樣本數(shù)據(jù)；f（x）表示樣本 x 對應(yīng)的詞性狀態(tài)屬性，當(dāng)樣本是未標(biāo)注樣本時(shí)f（x）取值為？；y∈{0，1}，表示樣本是否為蛋白質(zhì)命名實(shí)體，y取值為0時(shí)表示該樣本不是蛋白質(zhì)命名實(shí)體，y取值為1時(shí)表示該樣本是蛋白質(zhì)命名實(shí)體。本研究目標(biāo)是使用少量的標(biāo)注正例樣本，對大量未標(biāo)注的數(shù)據(jù)分類出強(qiáng)負(fù)例樣本RN，最后在強(qiáng)負(fù)例樣本RN和正例數(shù)據(jù)樣本P的基礎(chǔ)上學(xué)習(xí)構(gòu)建隱馬爾可夫模型f，對目標(biāo)數(shù)據(jù)集Dt中的樣本x有：

即得到樣本對應(yīng)的詞性狀態(tài)，從而得到特征的取值，進(jìn)而實(shí)現(xiàn)命名實(shí)體識別。

2 算法構(gòu)建

本文將通過使用PU學(xué)習(xí)兩步法構(gòu)建模型：在使用少量標(biāo)注數(shù)據(jù)樣本的情況下，通過PU學(xué)習(xí)構(gòu)建模型，對待測樣本進(jìn)行預(yù)測；通過算法分類未標(biāo)注數(shù)據(jù)中的強(qiáng)負(fù)例，使用強(qiáng)負(fù)例樣本和正例樣本構(gòu)建PU場景下的隱馬爾可夫模型。技術(shù)路線可分為4個(gè)主要步驟：數(shù)據(jù)集收集與預(yù)處理、分類出強(qiáng)負(fù)例構(gòu)建分類模型訓(xùn)練數(shù)據(jù)集、構(gòu)建分類模型和預(yù)測與評估，算法模塊的關(guān)系如圖1所示。

2.1 分類強(qiáng)負(fù)例

本文主要使用了Rocchio算法、樸素貝葉斯算法、Spy算法和1-DNF算法等4種方法對未標(biāo)注數(shù)據(jù)中的強(qiáng)負(fù)例樣本進(jìn)行分類。

（1）Rocchio 算法

在Rocchio分類算法中，每一個(gè)文本d用一個(gè)特征向量表示，=（q1，q2，…，qn）。 其中，向量中的每一個(gè)元素q1表示一個(gè)單詞wi。Rocchio算法構(gòu)建模型是通過構(gòu)建算法中的正例標(biāo)準(zhǔn)向量和負(fù)例標(biāo)準(zhǔn)向量實(shí)現(xiàn)的，正例標(biāo)準(zhǔn)向量和負(fù)例標(biāo)準(zhǔn)向量的計(jì)算方式如下：

圖1 算法模塊關(guān)系圖

其中，參數(shù)α和β是用來對正例訓(xùn)練樣本和負(fù)例訓(xùn)練樣本的相關(guān)影響進(jìn)行調(diào)整的，推薦使用α=16，β=4[18]。

Rocchio算法具體如下：

（2）樸素貝葉斯算法

樸素貝葉斯算法在分類問題當(dāng)中應(yīng)用非常普遍。對于想要分類的文本集D中的樣本數(shù)據(jù)，C=（c1，c2，…，cn）是預(yù)先定義的文本序列數(shù)據(jù)類別，V=（x1，x2，…，x|v|）表示詞匯表，其中 xi表示一個(gè)單詞。樸素貝葉斯（NB）分類器對給定的文本數(shù)據(jù)計(jì)算條件概率，計(jì)算得到的最大概率的那個(gè)類別被認(rèn)為是文本數(shù)據(jù)的類別。

N（xt，di）表示單詞 xt在文本摘要 di中出現(xiàn)的次數(shù)，在給定一個(gè)類別cj的情況下通過公式（3）計(jì)算單詞xt出現(xiàn)的概率P（xt|cj），本文中所需要的先驗(yàn)概率P（cj）通過統(tǒng)計(jì)得到。

為了防止詞匯表V中的某些單詞在某些類別的文本當(dāng)中沒有出現(xiàn)，使用拉普拉斯平滑技術(shù)進(jìn)行處理，如公式（4）所示：

最后，假設(shè)給定類別的文本中單詞出現(xiàn)的概率相互獨(dú)立，本文使用式（5）所示的樸素貝葉斯分類器：

對于給定的文本序列di，通過上述公式計(jì)算條件概率P（xt|cj），概率最大的類別作為單詞xt的類別。為了從未標(biāo)注數(shù)據(jù)U中識別出強(qiáng)負(fù)例數(shù)據(jù)集RN，本文在正例數(shù)據(jù)集P和未標(biāo)注數(shù)據(jù)集U上訓(xùn)練一個(gè)樸素貝葉斯分類器，并且用該分類器對未標(biāo)注數(shù)據(jù)U進(jìn)行分類。對于給定的文本數(shù)據(jù)，如果是正例的概率小于是未標(biāo)注數(shù)據(jù)的概率，則把文本數(shù)據(jù)看做是一個(gè)強(qiáng)負(fù)例樣本。

樸素貝葉斯分類器的算法框架如下：

（3） Spy 算法

Spy算法見算法3。對在Spy算法中使用的概率閾值t進(jìn)行簡單說明：計(jì)算“Spy”數(shù)據(jù)S中每一個(gè)樣本分布為正例的概率，取其中的概率最小值作為概率閾值t。

Spy算法的具體過程如下：

（4）1-DNF 算法

1-DNF算法是通過對正例樣本數(shù)據(jù)P和未標(biāo)注樣本數(shù)據(jù)U中的數(shù)據(jù)特征進(jìn)行對比，找到一些正例樣本所具有的的特征，構(gòu)建一個(gè)正例特征集PF。該方法計(jì)算在正例樣本數(shù)據(jù)P和未標(biāo)注樣本數(shù)據(jù)U中單詞出現(xiàn)的頻率，然后使用在正例樣本數(shù)據(jù)P中出現(xiàn)頻率比在未標(biāo)注樣本數(shù)據(jù)U中出現(xiàn)頻率高的單詞構(gòu)建正例特征集PF。該方法是通過對未標(biāo)注數(shù)據(jù)U中的所有數(shù)據(jù)樣本進(jìn)行核查，將其中可能是正例數(shù)據(jù)的樣本篩選出來，這樣未標(biāo)注數(shù)據(jù)U中的不含任何正例特征的樣本就被分類為強(qiáng)負(fù)例樣本。

1-DNF算法的具體過程如下：

2.2 構(gòu)建分類模型

通過上述4種方法可以有效地從未標(biāo)注數(shù)據(jù)中將強(qiáng)負(fù)例樣本分類出來，進(jìn)而與正例樣本形成訓(xùn)練集，這樣就可以進(jìn)行有監(jiān)督學(xué)習(xí)。由于HMM在命名實(shí)體識別研究中的有效性，本文同樣選擇HMM作為基礎(chǔ)模型。HMM的三個(gè)主要參數(shù)分別是初始狀態(tài)概率向量π、狀態(tài)轉(zhuǎn)移概率矩陣A和觀測概率矩陣B。

轉(zhuǎn)移概率aij的估計(jì)。設(shè)文本序列樣本中時(shí)刻t處于狀態(tài)i，在時(shí)刻t+1轉(zhuǎn)移到狀態(tài)j的頻數(shù)為Na，ij，則狀態(tài)轉(zhuǎn)移概率 aij的計(jì)算公式如下：

觀測概率bj（k）的估計(jì)。設(shè)樣本中狀態(tài)為j并且觀測為k的頻數(shù)為Nb，jk，則狀態(tài)為j觀測為k的概率 bj（k）的計(jì)算公式如下：

初始狀態(tài)概率πi的估計(jì)。i為S個(gè)樣本中初始狀態(tài)為qi的頻率，計(jì)算公式如下：

由于可能出現(xiàn)的數(shù)據(jù)稀疏問題，本文使用拉普拉斯平滑的方法進(jìn)行處理，具體如下：

初始狀態(tài)概率計(jì)算為：

轉(zhuǎn)移概率aij的計(jì)算為：

觀測概率 bj（k）的計(jì)算為：

至此得到分類預(yù)測模型，并使用維特比算法對待測數(shù)據(jù)進(jìn)行標(biāo)注，從而對命名實(shí)體進(jìn)行識別。

3 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證本文提出算法的性能，本文在GENIA V3.02語料庫上進(jìn)行了實(shí)驗(yàn)。

3.1 實(shí)驗(yàn)設(shè)置

為了驗(yàn)證本文提出的算法在生物醫(yī)學(xué)領(lǐng)域中命名實(shí)體識別的性能，選取傳統(tǒng)的HMM算法與本文提出的PU場景下的兩步法算法進(jìn)行比較。目前，最常用的生物醫(yī)學(xué)標(biāo)注語料庫是GENIA V3.02語料庫，該語料庫包含了來自MEDLINE的2000個(gè)摘要標(biāo)注文本（約360000個(gè)單詞），并且包含36個(gè)詞性類別，其中包含5個(gè)生物醫(yī)學(xué)實(shí)體類型。本文識別的是蛋白質(zhì)命名實(shí)體，采用了精確率、召回率和F值[19]作為評價(jià)指標(biāo)。GENIA V3.02語料庫中實(shí)體標(biāo)簽分布說明見表1。

表1 GENIA V3.02語料庫中實(shí)體標(biāo)簽分布

本文中Dt是含有蛋白質(zhì)命名實(shí)體標(biāo)簽和其他詞性標(biāo)簽的目標(biāo)集，Ds是把蛋白質(zhì)命名實(shí)體標(biāo)簽處理為NN類型的輔助集，輔助集中標(biāo)簽分布見表2。

表2 輔助集中實(shí)體標(biāo)簽分布

本文采用PU學(xué)習(xí)中一種普遍使用的方法[20]構(gòu)造PU數(shù)據(jù)集。對一個(gè)數(shù)據(jù)集，正例樣本以概率（1-α）隨機(jī)選擇標(biāo)記為正例，這部分樣本構(gòu)成正例樣本集，剩下的正例樣本作為未標(biāo)注樣本，這部分樣本和所有的負(fù)例樣本構(gòu)成未標(biāo)注樣本集。

根據(jù)He J[21]等提出的實(shí)驗(yàn)方法，為了測試在不同PU場景下算法的預(yù)測性能，本文設(shè)置了兩個(gè)參數(shù)α和Unlevel來模擬不同的PU場景。α表示正例樣本占源數(shù)據(jù)集的比例；Unlevel表示未標(biāo)注樣本占源數(shù)據(jù)集的比例。

本文通過對每組實(shí)驗(yàn)進(jìn)行十折交叉驗(yàn)證的方法，確保結(jié)果的有效性。

3.2 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證PU場景下兩步法算法的性能，本文分別從不同角度進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)如下：

（1）針對 α的實(shí)驗(yàn)

本文分別設(shè)置參數(shù)α為0.2，0.4，0.6，對PU情況下通過兩步法訓(xùn)練構(gòu)建的HMM與直接使用現(xiàn)有的少量標(biāo)注數(shù)據(jù)構(gòu)建的HMM的分類性能進(jìn)行了對比，實(shí)驗(yàn)結(jié)果如表3至表5所示。

實(shí)驗(yàn)結(jié)果顯示，標(biāo)注數(shù)據(jù)較少的情況下，使用兩步法構(gòu)建的分類模型比直接使用現(xiàn)有標(biāo)注數(shù)據(jù)構(gòu)建的分類模型性能更優(yōu)。當(dāng)參數(shù)α為0.2，0.4和0.6時(shí)，通過PU學(xué)習(xí)方法構(gòu)建的分類模型比直接使用現(xiàn)有的少量標(biāo)注數(shù)據(jù)構(gòu)建的模型在準(zhǔn)確率和召回率方面具有顯著的優(yōu)勢。同時(shí)，通過PU學(xué)習(xí)得到的分類模型的準(zhǔn)確率和召回率雖然隨著參數(shù)的變化有所起伏，但是總體變化不大，比直接使用現(xiàn)有的少量標(biāo)注數(shù)據(jù)構(gòu)建的分類模型更加穩(wěn)定。

表3 α=0.2時(shí)分類性能對比

表4 α=0.4時(shí)分類性能對比

表5 α=0.6時(shí)分類性能對比

（2）針對 Unlevel的實(shí)驗(yàn)

本文將Unlevel分別設(shè)置為50%，60%，70%，80%，90%。對在PU情況下通過兩步法訓(xùn)練構(gòu)建的HMM與直接使用現(xiàn)有少量標(biāo)注數(shù)據(jù)構(gòu)建的HMM的分類性能進(jìn)行了對比。表6至表10是模型在不同的Unlevel情況下的實(shí)驗(yàn)結(jié)果對比。

本文在不同的PU學(xué)習(xí)情況下，分別使用1-DNF、Spy、NB和 Rocchio算法作為兩步法的第一步，然后在第二步中使用已有正例數(shù)據(jù)和分類出的強(qiáng)負(fù)例數(shù)據(jù)訓(xùn)練HMM。實(shí)驗(yàn)結(jié)果顯示，在標(biāo)注數(shù)據(jù)較少的情況下，本文通過兩步法得到的模型比直接使用已有標(biāo)注數(shù)據(jù)訓(xùn)練得到的分類模型具有更好的分類性能。并且在模型實(shí)驗(yàn)結(jié)果的準(zhǔn)確率和召回率方面，與直接學(xué)習(xí)得到的分類模型相比優(yōu)勢明顯，特別是在未標(biāo)注樣本比例逐漸增大的情況下，優(yōu)勢越加顯著。

表6 Unlevel=50%時(shí)分類性能對比

表7 Unlevel=60%時(shí)分類性能對比

表8 Unlevel=70%時(shí)分類性能對比

表9 Unlevel=80%時(shí)分類性能對比

表10 Unlevel=90%時(shí)分類性能對比

通過設(shè)置不同的參數(shù)α和Unlevel值，模擬不同PU場景下的生物醫(yī)學(xué)領(lǐng)域的蛋白質(zhì)命名實(shí)體識別問題。以上的實(shí)驗(yàn)結(jié)果表明，在不額外增加人工標(biāo)注目標(biāo)數(shù)據(jù)的情況下，通過兩步法構(gòu)建的分類模型比直接使用現(xiàn)有的少量標(biāo)注數(shù)據(jù)構(gòu)建的分類模型具有更好的分類性能。

4 結(jié)語

針對傳統(tǒng)生物醫(yī)學(xué)命名實(shí)體識別方法需要大量標(biāo)注數(shù)據(jù)，而人工標(biāo)注數(shù)據(jù)困難、能獲取標(biāo)注數(shù)據(jù)比較少的問題，本文提出PU情況下通過兩步法構(gòu)建分類模型的生物醫(yī)學(xué)命名實(shí)體識別方法。通過PU學(xué)習(xí)方法中的兩步法在未標(biāo)注數(shù)據(jù)中分類出強(qiáng)負(fù)例樣本，在已有的正例樣本和分類出的強(qiáng)負(fù)例樣本的基礎(chǔ)上對模型進(jìn)行訓(xùn)練，構(gòu)建出分類模型，對目標(biāo)數(shù)據(jù)進(jìn)行命名實(shí)體識別。實(shí)驗(yàn)顯示，在只有少量標(biāo)注數(shù)據(jù)的情況下，通過PU學(xué)習(xí)中的兩步法構(gòu)建的分類模型比直接使用現(xiàn)有少量標(biāo)注數(shù)據(jù)的監(jiān)督學(xué)習(xí)方法構(gòu)建分類模型具有顯著優(yōu)勢。此外，通過PU學(xué)習(xí)方法構(gòu)建分類模型不僅識別性能有所提升，同時(shí)大大節(jié)省了人工標(biāo)注數(shù)據(jù)的成本。

在本文中主要通過PU學(xué)習(xí)方法構(gòu)建分類模型，降低模型對標(biāo)注數(shù)據(jù)的需求?，F(xiàn)在深度學(xué)習(xí)方法的研究越來越熱，逐漸涉及到多個(gè)領(lǐng)域，未來工作考慮在生物醫(yī)學(xué)命名實(shí)體領(lǐng)域?qū)ι疃葘W(xué)習(xí)方法進(jìn)行研究。