22616

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

كارشناسي ارشد

نرم افزار

1399

1399/06/22

دكتر حسين رحماني

كامپيوتر

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.

1399/08/20

Using deep learning to extract semantic relationships from textual data

9/13/2021 12:00:00 AM

Today, there are rich sources of textual information around us that can be used in a variety of contexts. The process of extracting meaningful relationships and patterns from these textual data is called text mining. One of the applications of text mining is in biology. In this dissertation, we extract semantic relationships from the text with the help of biological papers' abstracts. To this end, we crawled PubMed abstracts and built a semantic model of the text using Word2Vec. Next, with the help of the constructed model, we extract the relationships between drugs and create a drug-drug graph. Finally, we proposed a method that discovers repurposing drugs, predicts drug-drug interactions, and recommends alternatives for drugs with negative health effects. Additionally, we generate a graph of the drugs' side effects and examine the co-occurrence hypothesis of drug side effects. The experimental results show that our proposed method is more accurate than the previous ones.

متن‌كاوي , يادگيري عميق , تغيير كاربري داروها , تاثيرات دارو-دارو , تاثيرات منفي دارويي , عوارض جانبي داروها

Text Mining , Deep Learning , Drug Repurposing , Drug-Drug Interactions , Negative Health Effects , Drug Side Effects