[论文解读] Improving Term Extraction with Terminological Resources

Sophie Aubin, Thierry Hamon|ArXiv.org|Sep 6, 2006

Biomedical Text Mining and Ontologies参考文献 8被引用 5

一句话总结

本文提出 YATEA，一种可调节的术语提取器，通过结合内在语言规则与外在术语资源（如 GO、MeSH 及语料库派生的术语列表），提升生物医学文本中的术语提取效果。通过使用经验证的术语作为‘可靠性岛屿’来引导解析与短语切分，该系统在召回率与精确率方面均有所提升，成功提取出 46,315 个最大名词短语，其可靠性高于单独使用任一方法的结果。

ABSTRACT

Studies of different term extractors on a corpus of the biomedical domain revealed decreasing performances when applied to highly technical texts. The difficulty or impossibility of customising them to new domains is an additional limitation. In this paper, we propose to use external terminologies to influence generic linguistic data in order to augment the quality of the extraction. The tool we implemented exploits testified terms at different steps of the process: chunking, parsing and extraction of term candidates. Experiments reported here show that, using this method, more term candidates can be acquired with a higher level of reliability. We further describe the extraction process involving endogenous disambiguation implemented in the term extractor YaTeA.

研究动机与目标

• 解决现有术语提取器在高度专业的生物医学文本上表现不佳的问题。
• 降低因标注不准确与名词短语歧义导致的术语提取噪声。
• 通过整合外部术语资源，提升术语候选的覆盖范围与可靠性。
• 开发一种可调节的系统，结合内在解析与外在消歧，利用经验证术语进行处理。
• 评估复用现有术语资源对特定领域语料库中术语提取质量的影响。

提出的方法

• 系统使用词形句法短语切分，基于词性标注识别最大名词短语（MNPs）。
• 应用一种新颖的‘可靠性岛屿’机制，利用外部资源（如 GO、MeSH、TAC）中的已知术语来引导并约束句法解析。
• 采用三种解析方法：基于模式的方法、渐进式方法以及术语覆盖法（使用已知术语），其中术语覆盖法表现出最高的可靠性。
• 在解析过程中执行正向过滤，避免事后排除无效解析结果。
• 利用外部资源校正词性标注并扩展术语变体，从而提升最大名词短语的识别效果。
• 最终输出为经过语料库调优的术语候选列表，其内容同时包含外部资源与语料库本身中的术语。

实验结果

研究问题

• RQ1 整合外部术语资源在多大程度上影响了生物医学文本中最大名词短语的识别？
• RQ2 外部资源在多大程度上提升了术语提取中句法解析的可靠性？
• RQ3 结合内在语言规则与外在术语资源是否能降低噪声并提高术语候选提取的精确率？
• RQ4 使用语料库派生的术语列表与通用术语库（如 GO、MeSH）相比，在提升术语提取效果方面有何差异？
• RQ5 ‘可靠性岛屿’机制对解析准确率与覆盖范围有何影响？

主要发现

• 使用术语资源后，提取的最大名词短语（MNPs）数量从无资源时的 45,716 个增加至使用 TAC 资源时的 46,315 个，且解析可靠性得到提升。
• TAC 资源（语料库派生术语）对解析的贡献显著高于 GO+MeSH，前者贡献了 3,500 个复杂 MNPs，而后者仅使用了 1,777 个术语（总计 415,292 个）。
• ‘术语覆盖’解析方法在提升解析可靠性方面贡献最大，尤其在短术语与术语变体方面，因其利用经验证术语作为锚点。
• 资源集成导致生成的名词短语更长、更复杂，同时减少了单音节术语的数量，表明系统对句法复杂度的检测能力得到增强。
• 该系统采用已知术语作为‘可靠性岛屿’的解析机制，优于通用渐进式解析，显著降低了对事后过滤的依赖。
• 外部资源与语言规则的结合同时提升了召回率与精确率，生成了高质量、经语料库调优的术语候选列表。