在大数据时代的背景下,生物医学的研究正在快速发展,每年都有大量的文献在增加。海量的生物医学文献作为一个巨大的非结构化数据库,提供了丰富的生物医学研究知识,是最重要的生物医学领域资源。因此,如何从这些海量的文献中快速获取专业知识受到了越来越多的关注。生物医学文本挖掘技术在文本知识的自动获取中发挥着重要的作用,而命名实体识别作为该项技术的任务之一,旨在从生物医学文献中识别出指定类型的名称,如蛋白质、DNA、RNA、细胞等,为进一步地抽取关系和其他潜在信息提供了前提。本文的研究工作包含以下三个部分:(1)基于条件随机场的生物医学命名实体识别。使用生物医学语料库,根据生物实体的特性人工设计了15种特征;采用条件随机场算法训练模型,结合单独最优组合法挑选出最优的特征集,分析各个特征对实验结果的影响,经过测试评估,综合评价值F最高可达75.91%。(2)基于双向长短期记忆网络联合条件随机场的生物医学命名实体识别。传统的机器学习算法不仅需要人工选取特征,还需要一定的领域知识;同时模型的好坏取决于高质量的数据集和最优的特征集合,这需要付出众多的人力代价。为了解决传统方法存在的问题,本文提出了基于双向长短期记忆网络结合条件随机场的命名实体识别方法,经过训练、测试和评估,F值达到了76.81%。实验结果表明,此方法不仅不需要人工抽取特征,而且预测效果优于单向、双向的长短期记忆网络和传统的机器学习算法。(3)生物医学命名实体识别系统的设计与实现。采用双向长短期记忆网络联合条件随机场算法训练出的模型,以autism为关键词检索相关联的文献进行实体识别并对数据进行直观地展示,表明算法的有效性和实用性。本文提出的命名实体识别的方法,表现出了较好的识别效果,能够高效快速地从海量的生物医学文献中自动识别出实体名称,从而为实体关系抽取奠定了基础。