来自论文:GENIA corpus—a semantically annotated corpus for bio-textmining  2003

1.介绍

GENIA corpus, a semantically annotated corpus of biological literature, is being compiled and annotated in the scope of GENIA project. It is aiming at providing high quality reference materials to let NLP techniques work for bioinformatics and at providing the gold standard for the evaluation of text mining systems.

GENIA语料库,一个语义标注的生物文献语料库,在GENIA项目的范围内被编译和标注。它旨在提供高质量的参考材料,让NLP技术为生物信息学服务,并为文本挖掘系统的评估提供黄金标准。

we released GENIA corpus version 3.0. It consists of 2000 abstracts taken from MEDLINE database, and contains more than 400 000 words and almost 100 000 annotations that have been hand-coded for biological terms.

我们发布了GENIA语料库3.0版。它由MEDLINE数据库中的2000篇摘要组成,包含超过400000个单词和近100000个注释,这些注释是针对生物术语手工编码的。

PubMed 是一个免费的搜寻引擎,提供生物医学方面的论文搜寻以及摘要。它的数据库来源为MEDLINE。其核心主题为医学,但亦包括其他与医学相关的领域,像是护理学或者其他健康学科。它同时也提供对于相关生物医学资讯上相当全面的支援,像是生化学与细胞生物学。该搜寻引擎是由美国国立医学图书馆提供,作为 Entrez 资讯检索系统的一部分。PubMed 的资讯并不包括期刊论文的全文,但可能提供指向全文提供者(付费或免费)的连结。

2.GENIA CORPUS

Since we wanted our annotation work to converge on biological reactions concerning transcription factors in human blood cells, we selected articles with the MeSH terms, human, blood cell and transcription factor.

因为我们希望我们的注释工作能够集中在与人类血细胞转录因子相关的生物反应上,所以我们选择了包含MeSH术语、人类、血细胞和转录因子的文章。

每一个article都有medlineID,title,abstract等属性,并且abstract中的句子都被分为了sentence。

3.GENIA  本体 ONTOLOGY

GENIA ontology is a taxonomy of, currently, 47 biologically relevant nominal categories.

GENIA本体是目前47个生物学相关的命名类别的分类

图表中最左侧的三个概念:biological source,biological substance,other.

the other is not actually a biological concept but is prepared for the terms that are regarded as biological concepts but are not identified with any other concepts in the ontology.

另一个概念实际上不是生物概念,而是为被视为生物概念但不与本体中的任何其他概念相一致的术语而准备的。

在粗黑体框中的 终端概念terminal,它们形成语义注释的实际标签集

4. LINGUISTIC ANNOTATION

术语的语法定义:

<术语>:=<修饰语>*<中心名词>

<修饰语>:=<形容词>|<名词修饰语>
*在这里可能是连接,|是或。

Mostly, terms can be annotated by simply inserting mark-ups around them as exemplified in Figure 4。

大多数情况下,术语可以通过简单地在它们周围插入标记来注释,例如图4.

图4中,IL-2gene,IL-2gene transcription,T cells,这三个术语,被cons标签所包含。

注意到:IL-2 gene是被递归地标注在IL-2gene transcription标签中的。

However, when terms appear in coordinated clauses involving ellipsis, the annotation is not simply achieved, since we cannot find all the terms fully spelled at the surface of the text.

然而,当术语出现在涉及省略的协调子句中时,注释并不简单,因为我们无法在文本表面找到所有拼写完整的术语。

图5中表现的名词是:CD2 and CD 25 receptors ,实际上是两个概念,不过前面一个省略了一个receptors,没有完整的CD2 receptors出现。

receptors 不仅是CD25的中心名词,而且是CD2的中心名词。

极度省略的协调字句例子。//很明显标签存在的是并列关系。

B and T lymphocyte activation  and mitogenesis中lymphocyte是B和T的中心名词;activation  and mitogenesis 是B lymphocyte和T lymphocyte的中心名词。

We, however, see that there may be high demand for simple annotations that reveal just the terms appearing at the surface of text.

然而,我们看到对简单注释的需求可能很高,这些注释只显示文本表面出现的术语

图6的简化结果见图7:

//不太明白这个简化结果,那还能表达原来的含义嘛?

5.STATISTICS 统计

No of cons是标记数量。

表2中simple是surface level terms ,complex是higher level annotations 。

GENIA语料库学习【转载】的更多相关文章

  1. Java多线程学习(转载)

    Java多线程学习(转载) 时间:2015-03-14 13:53:14      阅读:137413      评论:4      收藏:3      [点我收藏+] 转载 :http://blog ...

  2. Windows Services 学习(转载)

    转载:http://blog.csdn.net/fakine/article/details/42107571 一.学习点滴 1.本机服务查看:services.msc /s2.服务手动安装(使用sc ...

  3. 【学习转载】MyBatis源码解析——日志记录

    声明:转载自前辈:开心的鱼a1 一 .概述 MyBatis没有提供日志的实现类,需要接入第三方的日志组件,但第三方日志组件都有各自的Log级别,且各不相同,但MyBatis统一提供了trace.deb ...

  4. JVM的相关知识整理和学习--(转载)

    JVM是虚拟机,也是一种规范,他遵循着冯·诺依曼体系结构的设计原理.冯·诺依曼体系结构中,指出计算机处理的数据和指令都是二进制数,采用存储程序方式不加区分的存储在同一个存储器里,并且顺序执行,指令由操 ...

  5. Jqgrid学习(转载)

    jqGrid API 全   JQGrid是一个在jquery基础上做的一个表格控件,以ajax的方式和服务器端通信. JQGrid Demo 是一个在线的演示项目.在这里,可以知道jqgrid可以做 ...

  6. R中双表操作学习[转载]

    转自:https://www.jianshu.com/p/a7af4f6e50c3 1.原始数据 以上是原有的一个,再生成一个新的: > gene_exp_tidy2 <- data.fr ...

  7. Java核心编程快速学习(转载)

    http://www.cnblogs.com/wanliwang01/p/java_core.html Java核心编程部分的基础学习内容就不一一介绍了,本文的重点是JAVA中相对复杂的一些概念,主体 ...

  8. FPGA/SOPC学习转载

    转自小時不識月http://www.cnblogs.com/yuphone/archive/2010/08/27/docs_plan.html 新网址为:http://andrewz.cn [连载计划 ...

  9. OpenGL入门学习(转载)

    说起编程作图,大概还有很多人想起TC的#include <graphics.h>吧? 但是各位是否想过,那些画面绚丽的PC游戏是如何编写出来的?就靠TC那可怜的640*480分辨率.16色 ...

随机推荐

  1. mui---获取上一级窗口

    我们在用MUI做APP的时候,会用到要获取上一级的窗口.具体方法:获取当前webview窗口的创建者. 代码: plus.webview.currentWebview().opener();

  2. easyui---表单验证

    <%@ page language="java" import="java.util.*" pageEncoding="UTF-8"% ...

  3. STL 标准模板库

    <vector> 可变长的数组 Vector<int>v int是一个模板参数,这样传进来的都会是int V.push_back(a)将a传进v,且放在最后一个 V.clear ...

  4. 分布式文件系统HDFS,大数据存储实战(一)

    本文进行了以下工作: OS中建立了两个文件,文件中保存了几组单词. 把这两个文件导入了hadoop自己的文件系统. 介绍删除已导入hadoop的文件和目录的方法,以便万一发生错误时使用. 使用列表命令 ...

  5. 更新快排中的partition

    这一次是将partition 过程中, 维护三个区域. <x   =x  >x  三区域. 还有个待定的区域. /* * 将数组划分为三个分区, 小于arr[R], 等于arr[R], 大 ...

  6. POJ 2442 - Sequence - [小顶堆][优先队列]

    题目链接:http://poj.org/problem?id=2442 Time Limit: 6000MS Memory Limit: 65536K Description Given m sequ ...

  7. java获取文件的路径问题

    java获取文件的路径问题 在java中读取读取文件,经常因为路径的问题找不到,此文用于记录如何定位文件的简单方法. 本基于springboot做的测试,主要是构建工程方便,所用的方法都是JDK中的方 ...

  8. 【单调栈】hdu 6319 杭电多校Problem A. Ascending Rating

    http://acm.hdu.edu.cn/showproblem.php?pid=6319 从后往前更新,维护一个递减单调栈(队列) 最近很多题都是单调栈... #define _CRT_SECUR ...

  9. Spark安装部署(local和standalone模式)

    Spark运行的4中模式: Local Standalone Yarn Mesos 一.安装spark前期准备 1.安装java $ sudo tar -zxvf jdk-7u67-linux-x64 ...

  10. python面向对象:类方法

    类的方法包括以下几种: 构造方法 :__init__(self,) 析构方法 :__del__(self) 类方法@classmethod.实例方法.静态方法@staticmethod 一.构造方法 ...