随着高通量测序对微观世界的解读,病毒和宿主关系预测问题受到越来越多的关注。现有的医学文献中存在大量经实验论证过的病毒与宿主关系,文本挖掘技术可以挖掘出这些隐含在文献中的关系。这一过程包括命名实体识别、实体对齐和关系抽取等步骤。构建病毒和宿主关系知识库,通过知识库的推理和预测能帮助学者验证潜在的病毒和宿主关系。而病毒命名实体识别是生物医学文本中病毒和宿主关系抽取的前提和关键。病毒名称具有多样性,新实体不断出现和实体嵌套等现象,使得病毒命名实体识别任务具有挑战性。本文的研究焦点病毒命名实体识别任务,提出基于语言模型的病毒命名实体识别方法和基于远程监督的病毒命名实体识别方法,主要研究工作有:首先,提出一种基于语言模型的病毒命名实体识别方法。同一词向量在不同的语义环境中能表达不同语义,而传统的ont-hot编码或通用领域表示词向量应用到微生物领域得到的模型结果欠佳。针对此问题,本文选取了几种主流语言模型:Word2Vec,ELMo,BERT,采用大量未标注的微生物语料训练得到上下文表示,然后采用BiLSTM进行特征抽取,CRF进行标签预测。比较不同语言模型表示上下文后模型的结果表现,实验结果表明,基于BERT语言模型在病毒命名实体识别任务中表现最佳。其次,提出一种基于远程监督的病毒命名实体识别方法。有监督学习需要大量人工标注语料,通过远程监督学习可以解决该问题。远程监督的方法根据第三方字典自动标注文本中目标实体,但易出现部分标注和数据噪声问题导致标注数据质量低,造成模型性能下降。基于上一研究成果,本文结合多层感知机和强化学习思想,提出BiLSTM-CRF和强化学习结合的方法进行病毒命名实体识别以用于解决上述的两个问题。实验表明,本文提出的方法有效地减少了远程监督方法带来的错误标注数据,对提高模型性能有良好的效果。最后,通过融合病毒知识库,本文使用性能最优的基于语言模型的病毒命名实体识别模型对大量的医学文献进行预测,发现了大量未在知识库出现但有意义的病毒实体,证明了病毒命名实体识别的研究意义,为病毒和宿主关系抽取提供了研究基础。