基于信息融合的生物医学文本高性能聚类研究

生物医学文本聚类能够帮助生物医学研究人员迅速找到他们最感兴趣的文档,发现不同生物医学研究课题之间的潜在联系，为产生新的科学假设奠定基础。本项目的主要目标是开发出高性能生物医学文本聚类算法，为生物医学研究者浏览和查找所需信息提供便利。本课题主要基于信息融合的思想，针对当前生物医学文本聚类研究中利用单一信息（主要是内容信息）的缺陷，有机融合生物医学文本的三种重要信息：内容信息、生物医学文本所特有的语义信息（由人工标注的医学主题词MeSH）和文献引用信息，以提供最好的聚类性能。拟解决的科学问题包括（1）如何设置内容信息中标题、摘要和MeSH之间的权重。（2）如何计算生物医学文档之间的语义相似度。（3）如何有效融合不同种类信息提高聚类性能。本课题也可以为开发其他领域中需要融合不同种类信息的高性能聚类算法提供研究思路。

生物医学文本聚类通过将相似的文档聚在一起，不相似的文档尽量分开，能帮助用户有效的组织、概括、导航和定位生物医学文献信息，帮助生物医学研究人员解决信息过载的问题。本项目的主要目标是开发出高性能的聚类算法，从而为生物医学研究人员查找信息提供便利。项目顺利完成，基于信息融合思想，有机融合生物医学文本的多种重要信息如内容信息、生物医学文本特有的语义信息（人工标注的医学主题词）和文献引用信息等，从而提高聚类性能。本项目尤其在设计有效的融合算法方面取得了非常满意的研究成果。我们主要研究了三种融合策略：集成学习策略、全局相似度策略和半监督学习策略。在集成学习策略中，我们可以根据不同种类信息和算法计算聚类，然后在这些聚类结果基础上进行集成聚类，提高聚类效果的稳定性和健壮性。在全局相似度策略中，我们根据不同种类的信息计算各自的局部相似度，然后通过线性组合计算全局相似度，在此基础上进行聚类。在半监督聚类中，我们把文本内容信息作为主要信息，根据语义信息和全局内容信息作为附加信息生成约束条件，提出了一个新颖的半监督谱聚类算法SSNCut (Semi-Supervised Normalized Cut), 能够同时处理must-link和cannot-link,从而提高聚类性能。在从最大生物医学文本数据库MEDLINE产生的100个文本数据集上进行的实验表明，SSNCut在性能上不仅优于全局相似度方法，而且也优于多个常用的半监督聚类算法，如SS-NMF、Spectral Learning等。本课题研究成果也为其他领域中需要融合不同种类信息的各种应用提供了解决思路和启示。