[论文解读] NEMO: Extraction and normalization of organization names from PubMed affiliation strings

Siddhartha Jonnalagadda, Philip Topham|arXiv (Cornell University)|Jul 28, 2011

Biomedical Text Mining and Ontologies被引用 16

一句话总结

NEMO 是一个基于规则的系统，通过多层规则匹配和词典，从 PubMed 机构信息字符串中提取并规范化组织名称，提取的 F 分数超过 98%，归一化精度高。它能够将规范化的组织名称和地理政治位置与生物医学文献关联，从而提升作者消歧、引文索引和社会网络分析。

ABSTRACT

We propose NEMO, a system for extracting organization names in the affiliation and normalizing them to a canonical organization name. Our parsing process involves multi-layered rule matching with multiple dictionaries. The system achieves more than 98% f-score in extracting organization names. Our process of normalization that involves clustering based on local sequence alignment metrics and local learning based on finding connected components. A high precision was also observed in normalization. NEMO is the missing link in associating each biomedical paper and its authors to an organization name in its canonical form and the Geopolitical location of the organization. This research could potentially help in analyzing large social networks of organizations for landscaping a particular topic, improving performance of author disambiguation, adding weak links in the co-author network of authors, augmenting NLM's MARS system for correcting errors in OCR output of affiliation field, and automatically indexing the PubMed citations with the normalized organization name and country. Our system is available as a graphical user interface available for download along with this paper.

研究动机与目标

• 解决 PubMed 机构信息字符串中组织名称表示缺乏标准化的问题。
• 提高将生物医学作者与其规范机构隶属关系关联的准确性。
• 实现组织的地理定位，以增强生物医学领域社会网络分析。
• 支持 NLM 的 MARS 系统在 OCR 处理的机构字段中进行错误更正。
• 自动将 PubMed 引文索引为归一化的组织名称和国家。

提出的方法

• 采用多层规则匹配与多个词典，从非结构化机构信息字符串中提取组织名称。
• 使用局部序列比对度量对相似组织名称进行聚类，以实现归一化。
• 应用基于连通分量分析的局部学习技术，以优化归一化结果。
• 整合基于规则的解析、聚类和学习组件，以提高鲁棒性和精度。
• 通过图形用户界面验证系统，并公开发布以供社区使用。
• 利用现有的生物医学文本结构和命名模式，以提升提取准确性。

实验结果

研究问题

• RQ1 如何从高度可变且嘈杂的 PubMed 机构信息字符串中可靠地提取组织名称？
• RQ2 哪些技术能够实现将提取的组织名称高精度地归一化为规范形式？
• RQ3 在缺乏大规模标注训练数据的情况下，聚类和局部学习在多大程度上能提升归一化精度？
• RQ4 NEMO 的方法在处理生物医学机构中的 OCR 错误和名称变体方面，与现有系统相比表现如何？
• RQ5 该系统能否有效支持作者消歧和引文索引等下游应用？

主要发现

• NEMO 在从 PubMed 机构信息字符串中提取组织名称方面，F 分数超过 98%。
• 归一化过程表现出高精度，能有效将变体名称映射到规范形式。
• 该系统成功将组织与其地理政治位置关联，支持空间地理分析。
• NEMO 通过在不同文献中提供一致的机构隶属关系，增强了作者消歧能力。
• 该系统作为可下载的图形用户界面公开发布，支持与现有生物医学文本处理流程的集成。
• 该方法在处理 MARS 系统背景下 OCR 错误和名称变体方面，优于现有方法。