[论文解读] Multilingual Medical Documents Classification Based on MesH Domain Ontology

Zakaria Elberrichi, Malika Taibi+1 more|arXiv (Cornell University)|Jun 21, 2012

Text and Document Classification Technologies参考文献 6被引用 9

一句话总结

本文提出了一种基于MeSH领域本体的多语言医学文献分类系统，采用基于概念的文档表示方法，并提出两种不同方法：一种将本体视为单语，另一种视为多语。通过在语言检测后将多语言术语映射到英文MeSH概念，该模型在Ohsumed语料库上实现了有前景的分类性能，证明了在生物医学领域中基于本体的跨语言语义分类的可行性。

ABSTRACT

This article deals with the semantic Web and ontologies. It addresses the issue of the classification of multilingual Web documents, based on domain ontology. The objective is being able, using a model, to classify documents in different languages. We will try to solve this problematic using two different approaches. The two approaches will have two elementary stages: the creation of the model using machine learning algorithms on a labeled corpus, then the classification of documents after detecting their languages and mapping their terms into the concepts of the language of reference (English). But each one will deal with the multilingualism with a different approach. One supposes the ontology is monolingual, whereas the other considers it multilingual. To show the feasibility and the importance of our work, we implemented it on a domain that attracts nowadays a lot of attention from the data mining community: the biomedical domain. The selected documents are from the biomedical benchmark corpus Ohsumed, and the associated ontology is the thesaurus MeSH (Medical Subject Headings). The main idea in our work is a new document representation, the masterpiece of all good classification, based on concept. The experimental results show that the recommended ideas are promising.

研究动机与目标

• 解决使用语义本体对多语言生物医学文献进行分类的挑战。
• 探索两种不同的多语处理方法：单语本体结合跨语言术语映射，与多语本体集成。
• 通过使用MeSH代替基于关键词的表示方法，将文档表示提升至概念层面，从而提高文档分类的准确性。
• 在真实世界生物医学基准语料库（Ohsumed）上验证该方法，使用标准化本体（MeSH）。
• 证明基于本体的语义分类在多语言医学信息检索中的可行性和有效性。

提出的方法

• 首先进行语言检测，以识别每篇文档的语言。
• 将多语言文档中的术语映射到英文MeSH概念（参考语言）。
• 通过将术语替换为其映射的MeSH概念，构建基于概念的文档表示。
• 使用概念表示的文档在标注语料库上训练机器学习模型。
• 实现两种方法：一种使用单语MeSH本体结合跨语言术语映射，另一种使用多语MeSH版本。
• 使用标准学习算法对概念嵌入的文档向量进行分类。

实验结果

研究问题

• RQ1 能否通过术语到概念的映射，利用单一参考语言本体（英文）有效分类多语言医学文献？
• RQ2 与单语本体相比，使用多语MeSH本体在跨语言分类性能上表现如何？
• RQ3 在多语言生物医学环境中，基于概念的文档表示相较于传统基于关键词的方法，能在多大程度上提升分类准确性？
• RQ4 所提出的方法在真实世界多语言生物医学文献集合中是否具备可扩展性和可行性？

主要发现

• 与传统基于关键词的方法相比，基于概念的表示显著提升了文档分类性能。
• 使用单语MeSH本体结合跨语言术语映射的方法在Ohsumed语料库上取得了优异的分类结果。
• 该方法通过与标准化本体的语义对齐，证明了在处理多语言生物医学文献方面的可行性。
• 实验结果证实，基于本体的语义表示是多语言医学文献分类的一种有前景的方法。