加快本科生進行關系抽取方向科研活動進程的分析

劉一瑋 姚翠莉

摘 要：生物醫(yī)學關系抽取是自然語言處理的一個分支，很多對于關系抽取的研究都應用了深度學習和機器學習的方法。這些領域的理論及周邊知識在本科學習中是接觸不到的，這給本科生進行科研活動制造了一些困難。本文以DDI為例，解決語料的格式轉(zhuǎn)換問題，旨在探索如何把常見的問題模塊化，加快本科生的科研進程。

關鍵詞：關系抽取 json xml

一、研究背景及意義

藥物-藥物相互作用（DDI）的定義被廣泛地描述為一種藥物的作用因另一種藥物的存在而改變。DDIs的檢測是患者安全性的一個重要研究領域，因為這些相互作用會變得非常危險并增加醫(yī)療成本。在臨床實踐或臨床試驗中患者有可能同時服用多種藥物，此時藥物會產(chǎn)生相互作用，報道顯示10% ～ 20%的不良反應都由藥物相互作用（ drugdruginteraction，DDI） 引起[1]，嚴重情況下，藥物循環(huán)體系濃度可以增加10 倍以上，若不進行劑量調(diào)整則可能引起致命不良反應。2013年的DDIExtraction任務涉及生物醫(yī)學文獻中出現(xiàn)的藥物識別和藥物-藥物相互作用的提取，很多學者、博士和碩士在這個任務上進行大量的科研工作，如M. Faisal 等使用支持向量機（svm[2]），Zeng等人使用卷積神經(jīng)網(wǎng)絡[3] 進行了相關研究，但是由于相當多的領域知識短時間內(nèi)根本無法來得及沉淀到本科教學中，一方面本科生對進行科研活動有這強烈的興趣;另一方面本科生有基礎薄弱、時間較少，如果科研反饋的周期過長會導致興趣減弱甚至退出。DDIExtraction任務本身提供的語料是xml格式，而使用python的科研常用的格式是json，從xml到json的轉(zhuǎn)換對本科生來說設置了一道門檻，本文提供了從xml到json的轉(zhuǎn)換方法，可以有效降低本科生參與科研活動的難度，讓學生把更多的精力集中在模型搭建的核心問題上。

二、Xml解析代碼介紹

import xml.etree.ElementTree as ET

from xml.parsers import expat

from lxml import etree

import json

f=open（filename， “w”）

parser=ET.XMLParser（encoding=”UTF-8”）

tree = ET.parse（d+/+fname， parser=parser）

root = tree.getroot（）

for sent in root：

sent_id = sent.attrib[‘id]

for c in sent：

d_type = c.attrib[‘type]

首先是導入xml.etree.ElementTree，它是python處理xml文件的標準庫，ET.parse（）函數(shù)用來分析指定的xml文件，tree.getroot（）獲得第一標簽，sent.attrib['id']，獲得具體屬性。使用以上的關鍵函數(shù)可以解析xml文件，把對應的屬性存儲到python對象中，然后存入到json文件中。

三、JSON文件處理

JSON（JavaScript Object Notation） 是一種輕量級的數(shù)據(jù)交換格式，使用的時候首先要導入json庫（），import json。json.dumps（）函數(shù)用于將 Python 對象如字典、列表等編碼成 JSON 字符串，json.loads（）函數(shù)則將json字符串解碼成字典、列表。json.dump（）函數(shù)將python對象寫入指定文件，json.load（）函數(shù)將文件中的字符串轉(zhuǎn)換為python對象。

結語：

本文以DDI2013中的語料處理為例，模塊化本科生在研究過程中所遇到的問題，使本科生能夠更快的進入的科研活動中。經(jīng)過實踐證明對本科生進行相應科研工作有一定的幫助。

參考文獻

[1]Kannan B，Nagella AB，Sathia PA，et al. Incidence of potential drug-drug interactions in a limited and stereotyped prescription setting-comparison of two free online pharmacopoeias[J]. Cureus，2016，8 （ 11 ） ：e886.

[2] M. Faisal ， Fbk-irst： a multi-phase kernel based approach for drug-drug interaction detection and classification that exploits linguistic information， in： International Workshop on Semantic Evaluation， 2013， pp. 351–355 .

[3]D. Zeng ， K. Liu ， S. Lai ， G. Zhou ， J. Zhao ， Relation classification via convolutional deep neural network， in： COLING， 2014， pp. 2335–2344 .