论文部分内容阅读
随着计算技术和生物技术的进步,当前生物医学相关的文献正在以前所未有的速度增长。著名的MEDLINE数据库已经收集了自1965年以来的近1100万篇的生物医学相关文献,并且以每天1500篇的速度在增长。这些文献中蕴含了大量的知识。研究人员可以利用不同文献中的研究成果,来寻找疾病和基因之间的关系、基因和不同生命功能以及不同基因之间的关系等非常有用的知识。这些知识应用于实际,可以更好地诊断、预防和治疗人类的疾病。但是,人工从海量的文献中发现这些知识几乎是一件不可能的任务。因此,针对海量的生物医药文献的信息检索系统成为相关研究人员的迫切需求。2003年,TREC基因学方面的项目应运而生。本文研究的基础就是TREC 2007年的基因学项目。因此本文首先对TREC做了简要的介绍,并详细介绍了TREC Genomics Track 2007数据源、主题以及评测提交形式。然后讨论和分析了当前主要的信息检索模型,以及本文介绍的生物医药领域检索系统中搭建检索模块用到的Indri工具包。在检索过程中考虑到查询中所使用的术语可能与文档集中使用的术语不匹配而导致一些相关的文档不能被成功地检索出来,影响检索效果,本文提出了两个查询扩展的方法——正规化的同义词查询扩展方法和基于查询结果反馈的查询扩展方法。最后描述了生物医学领域检索系统的整体设计、实现和测试结果。本文重点讨论并实现了以下两个方面的内容:信息检索模型,查询扩展技术。利用以上技术,本文初步实现了生物医学领域检索系统。为了考察本系统的性能以及查询扩展方法对于系统性能的影响,文本设计了相应的实验。实验表明,查询扩展方法对系统的性能会有积极的影响,其中正规化的同义词查询扩展方法相对系统baseline在Document MAP、Aspect MAP、Passage MAP分别提高4.5%、3.4%、2.3%;而基于查询结果反馈的实体查询扩展方法相对系统baseline在Document MAP、Aspect MAP、Passage MAP分别提高19.1%、20.5%、15.8%,其中Document MAP达到0.3445,在参与TREC Genomics Track 2007系统评测的小组的评测结果中排在了第一位。