一般語との曖昧性を持つタンパク質名の自動検出(情報抽出・単語分類)(テーマ:「Webマイニングによる情報活用と自然言語処理」その他一般)

概要

論文の詳細を見る
本稿ではタンパク質名辞書に含まれるタンパク質名のうち一般語と曖昧性を持つタンパク質名(例えば"AND","CELL","SKI"など)を自動的に検出する方法を提案する。提案手法では,(1)公共データベースからタンパク質名を収集して初期辞書を作成し,次に,(2)初期辞書に含まれるタンパク質名からリファレンスコーパスにおける頻度が闇値より高いものを一般語と曖昧性の高いタンパク質名として検出する。閾値を変化させながらGENIAコーパスでのタンパク質名抽出を行って最適な閾値を決定した。性質の異なる3つのリファレンスコーパスで比較したところ,一般語の判定にはAP通信のような専門用語を含まないコーパスが適していることがわかった。また,MEDLINEにおける超高頻度語を(医学・生物学分野の)一般語として取り除くことでタンパク質名抽出の精度を,さらに向上させられることがわかった。また既存のタンパク質名抽出の方法と比較するためにYapexコーパスで評価した結果,適合率71.0%,再現率66.4%が得られ,提案手法のような簡便な方法で既存手法と同等の精度を達成することができた。
社団法人情報処理学会の論文
2004-09-16