استفاده از يادگيري عميق به منظور استخراج روابط معنايي در داده‌هاي متني

كارشناسي ارشد

امروزه در اطراف ما منابع غني از اطلاعات متني وجود دارد كه مي‌تواند در زمينه‌هاي مختلف كاربرد داشته باشد. علمي كه به استخراج روابط و الگوهاي معنادار از اين داده‌هاي متني مي‌پردازد، متن‌كاوي نام دارد. يكي از كاربردهاي متن‌كاوي در علم زيست‌شناسي است. ما در اين پايان‌نامه قصد داريم به كمك چكيده مقالات زيست‌شناسي، به استخراج روابط معنايي از متن بپردازيم. به همين‌ منظور ما چكيده مقالات سايت PubMed را خزش كرده و به كمك الگوريتم Word2Vec به ساخت يك مدل معنايي از متن پرداختيم. سپس به كمك مدل ساخته‌شده روابط ميان داروها را استخراج كرده و گراف دارو-دارو را ايجاد نموديم. سپس با استفاده از گراف دارو-دارو ايجاد شده و ارائه روش‌هاي پيشنهادي، به استخراج تغييركاربري داروها، پيش‌بيني تاثيرات دارويي و پيشنهاد داروي جايگزين براي تاثيرات منفي دارويي پرداختيم. همچنين ما در اين پايان‌نامه به ارائه گرافي از عوارض جانبي داروها خواهيم پرداخت و به كمك آن فرضيه باهم‌آيي عوارض جانبي داروها را بررسي خواهيم نمود. نوآوري‌هاي اين پايان‌نامه شامل ارائه يك گراف دارو-دارو با استفاده از داده متني، ارائه روشي نو براي استخراج داروهايي كه تغيير كاربري دارند، ارائه روشي براي پيشنهاد داروهاي جايگزين در گراف دارو-دارو براي تاثيرات منفي دارويي و ارائه گراف ميان عوارض جانبي است. نتايج ما نشان مي‌دهد كه گراف دارو-دارو ايجاد شده در روش پيشنهادي اين پايان‌نامه به طور ميانگين 3.1 بخش از 4 بخش ATC Code را در روابط بين داروها درنظر مي‌گيرد كه نشان از وجود روابط دقيق در گراف دارو-دارو بوده و نسبت به كارهاي پيشين نتايج بهتري را دارد. همچنين در زمينه پيش‌بيني تاثيرات دارو-دارو، توانستيم به طور متوسط 13 درصد دقت كارهاي پيشين را افزايش دهيم.

194974

دانشگاه علم و صنعت ايران

نرم افزار

دكتر حسين رحماني