A graph kernel based on context vectors for extracting drug-drug interactions
A graph kernel based on context vectors for extracting drug-drug interactions
复制标题
基于上下文向量的图内核，用于提取药物-药物相互作用
DOI：
10.1016/j.jbi.2016.03.014
复制
发表时间：
2016-06
影响因子：
4.5
通讯作者：
Jian Wang
中科院分区：
文献类型：
--
作者：
Wei Zheng;Hongfei Lin;Zhehuan Zhao;Bo Xu;Yijia Zhang;Zhihao Yang;Jian Wang
临床对药物相互作用(DDIS)的认识是患者安全和医疗成本控制的关键问题。因此，迫切需要通过文本挖掘技术从生物医学文献中自动提取DDI。虽然一流的DDIS系统探索了文本的各种特征，但这些特征还不能很好地表达长而复杂的句子。在本文中，我们提出了一种有效的图核，它充分利用了不同类型的上下文来识别生物医学文献中的DDIS。在我们的方法中，除了近程词之外，长程词之间的关系也是通过句法分析句子的图形表示来获得的。顶点的上下文向量是所有与其相邻和不相邻的标记节点的迭代向量表示，它充分地捕捉了直接和间接子结构的信息。此外，考虑上下文向量之间的距离的图核被用来检测DDI。在DDIExtrad2013语料库上的实验结果表明，我们的系统达到了DDIS的最好检测和分类性能(F-Score)(分别为81.8和68.4)。特别是对于Medline-2013数据集，我们的系统在检测和分类方面分别超过了排名靠前的DDIS系统BYF-Score 10.7和12.2。
The clinical recognition of drug–drug interactions (DDIs) is a crucial issue for both patient safety and health care cost control. Thus there is an urgent need that DDIs be extracted automatically from biomedical literature by text-mining techniques. Although the top-ranking DDIs systems explore various features of texts, these features can’t yet adequately express long and complicated sentences. In this paper, we present an effective graph kernel which makes full use of different types of contexts to identify DDIs from biomedical literature. In our approach, the relations among long-range words, in addition to close-range words, are obtained by the graph representation of a parsed sentence. Context vectors of a vertex, an iterative vectorial representation of all labeled nodes adjacent and nonadjacent to it, adequately capture the direct and indirect substructures’ information. Furthermore, the graph kernel considering the distance between context vectors is used to detect DDIs. Experimental results on the DDIExtraction 2013 corpus show that our system achieves the best detection and classification performance (F-score) of DDIs (81.8 and 68.4, respectively). Especially for the Medline-2013 dataset, our system outperforms the top-ranking DDIs systems byF-scores of 10.7 and 12.2 in detection and classification, respectively.
登录
查看更多内容
用于蛋白质-蛋白质相互作用提取的步行加权子序列核。
影响因子：
3
作者：
Kim S;Yoon J;Yang J;Park S
通讯作者：
Park S
DOI：
10.1142/9789814366496_0040
发表时间：
2011-12
影响因子：
--
作者：
B. Percha;Yael Garten;R. Altman
通讯作者：
B. Percha;Yael Garten;R. Altman
通过评估跨核心学习，全路径图核用于蛋白质 - 蛋白质相互作用提取。
影响因子：
3
作者：
Airola, Antti;Pyysalo, Sampo;Bjoerne, Jari;Pahikkala, Tapio;Ginter, Filip;Salakoski, Tapio
通讯作者：
Salakoski, Tapio
DOI：
10.1007/978-3-319-10491-1_10
发表时间：
2014-09
期刊：
Procedia Computer Science
影响因子：
--
作者：
V. Ostuni;T. D. Noia;R. Mirizzi;E. Sciascio
通讯作者：
V. Ostuni;T. D. Noia;R. Mirizzi;E. Sciascio
DOI：
--
发表时间：
2013-06
期刊：
--
影响因子：
--
作者：
Isabel Segura-Bedmar;Paloma Martínez;María Herrero-Zazo
通讯作者：
Isabel Segura-Bedmar;Paloma Martínez;María Herrero-Zazo