基于卡方评分函数的MEDLINE引文分类方法
信息检索
2018-04-03 v1 应用统计
机器学习
摘要
目的：文本分类已用于生物医学信息学中识别包含相关主题的文献。我们开发了一种简单方法，利用基于卡方的评分函数来确定MEDLINE引文包含遗传相关主题的可能性。方法：我们的流程需要构建一个遗传领域和一个非遗传领域的文献语料库。我们使用分配给MEDLINE引文的MeSH叙词进行分类任务。我们应用卡方检验比较两个语料库中MeSH叙词的频率。如果某个MeSH叙词在遗传领域语料库中的相对观测频率大于其在非遗传领域语料库中的相对观测频率，则将其视为正向指标。该方法的输出是所有引文的得分列表，得分最高的引文包含遗传领域典型的MeSH叙词。结果：在734条手动标注的MEDLINE引文集上进行了验证。预测准确率为0.87，召回率为0.69，精确率为0.64。我们通过将方法与三种机器学习算法（支持向量机、决策树、朴素贝叶斯）进行比较来评估。尽管差异在统计上不显著，但结果表明我们的卡方评分与所比较的机器学习算法表现相当。结论：我们认为卡方评分是帮助分类MEDLINE引文的有效解决方案。该算法已在BITOLA基于文献的发现支持系统中实现，作为基因符号消歧过程的预处理步骤。
引用
@article{arxiv.1006.1029,
title = {Chi-square-based scoring function for categorization of MEDLINE citations},
author = {Andrej Kastrin and Borut Peterlin and Dimitar Hristovski},
journal= {arXiv preprint arXiv:1006.1029},
year = {2018}
}
备注
34 pages, 2 figures