癌症研究在生命科学和医学领域中至关重要,许多国家和组织每年花费在癌症研究的经费高达数十亿美元。随着大数据时代的到来,先进的设备和技术对于研究人员已是触手可及,但是随着海量信息的增长,医生及生物研究人员很难处理日益增长的信息过载问题。因此,随着生物医学研究论文的爆炸式增长,采用机器学习访求可以帮助研究者们在庞大的文本数据资源中快速获取信息,使他们更有效的了解近年的癌症研究重点和发展历程以提升人类医疗的集体经验。随着计算机技术的发展,自然语言处理的研究越来越火热,其在机器翻译、信息抽取、文本情感分析、自动问答和个性化推荐等领域都扮演着重要的角色。其中文本特征表示的相关研究是自然语言处理领域的重中之重。人类的文本语言逻辑无法被机器所识别,因此我们需要通过机器学习算法将文本转化为机器能够理解的形式。文本特征表示形式多种多样,一直以来是人们关注的重点,其对文本表示的准确性是下一步相关应用工作的基础。本文将自然语言处理领域与医学领域相结合,利用融合的特征表示方法对癌症研究趋势进行分析。首先,本文对传统的文本特征表示模型进行了融合改进,并通过机器学习分类与聚类算法对不同文本特征表示模型得到的文本向量进行相关实验,进而衡量不同向量对文本信息的表示准确性。实验结果表明Tr-W2v算法得到的融合文本向量在分类实验中表现效果最佳,而Ti-W2v算法得到的融合文本向量在聚类实验中表现效果最佳,本文对于此结果结合相关算法特点也进行了直观的解释。其次,本文基于融合改进的文本向量进一步提出了相似度趋势分析、关键词趋势分析和改进的关键词趋势分析等多种癌症趋势分析模型。其中相似度趋势分析模型分析了近年中国五大高发癌症的相似度走向趋势。随后,以肺癌数据为例,本文提出的关键词趋势分析模型分析了肺癌整体的研究方向和区域。为进一步解决关键词趋势分析模型的不足,本文提出的改进的关键词趋势分析模型从肺癌相关的基因蛋白、肺癌相关的治疗药物和方法以及肺癌相关的其他热点等多角度进行了更细致的分析。根据本文得到的癌症趋势分析结果,医生及生物医学研究者可以从大量癌症研究论文中了解到每年的不同热点区域差异和相关的联系趋势。这可以在很大程度上减少相关人士阅读大量论文和追踪热点的工作量,并在一定程度上辅助指导他们快速搜集信息和进一步开展工作。