游正洋++王亞強++舒紅平

摘 要文章對中醫(yī)癥候名語料庫進行研究分析，并建立一個中醫(yī)癥候名的中英文對齊語料庫。該語料庫可以幫助識別中醫(yī)醫(yī)療記錄中易混淆的癥候名。同時設計了一種標注方法對癥候名數(shù)據(jù)集進行標注。語料庫能夠?qū)χ嗅t(yī)臨床癥候名研究提供幫助。

【關鍵詞】自然語言處理 文本挖掘 語料庫 中醫(yī)癥候名 詞性標注

1 前言

在西方國家，中醫(yī)是一種與西醫(yī)互補的、可替代的醫(yī)學系統(tǒng)；但是在亞洲國家，中醫(yī)在幾千年前就已經(jīng)被用來治療各種疾病。中醫(yī)是研究人體生理學、病理學和預防治療人類疾病的一門學科。目前的中醫(yī)理論基于宇宙原理和中國哲學，包含了整體論、分化、陰陽和五行理論。中醫(yī)的醫(yī)療方法專注于提高人體自我控制系統(tǒng)和人體內(nèi)部環(huán)境的協(xié)調(diào)來增強人體對疾病的抵抗力。中醫(yī)的治療相對復雜，其醫(yī)學思想與現(xiàn)代西方醫(yī)學有很大不同，因此，在大部分研究者看來中醫(yī)的研究難度相對較大。目前，文本挖掘越來越多地被應用在中醫(yī)臨床記錄地研究中，而自然語言處理方法被考慮作為一種工具來提高文本挖掘在中醫(yī)臨床記錄研究中的潛力。文本挖掘的基本目標是找出文本中的潛在內(nèi)容和萃取潛在知識，如內(nèi)在聯(lián)系、簡潔的用戶模式等。伴隨者中醫(yī)可用數(shù)據(jù)的迅速增加，迫切的需要瀏覽這些從大量文獻中獲取的資源數(shù)據(jù)。中醫(yī)癥候名就是其中最重要的數(shù)據(jù)之一。

然而，中文，尤其是中醫(yī)癥候名，具有非常豐富的語義。在不同的上下文中，一個中文漢字可能含有超過一種語義；不同的中文漢字的組合又會帶來另外的含義。在中醫(yī)癥候名中，一些癥候名的含義相同但是癥候名稱不一致。例如，“腎氣虛證”和“腎氣虧虛證”的癥候名稱不一致，但是含義是相同的。由于癥候名稱的不一致導致醫(yī)生之間的交流效率受到影響。因此，提高中醫(yī)臨床記錄中的癥候名識別程度變得很有必要。

根據(jù)以上需求，研究建立了中醫(yī)癥候名的中英文雙語對齊語料庫。語料庫提供了一種通過英文識別有混淆語義的中醫(yī)臨床癥候名的方法。該語料庫同時也可供中醫(yī)文獻和臨床記錄的文本挖掘使用。

2 語料庫建立方法

2.1 數(shù)據(jù)處理

中醫(yī)癥候名原始數(shù)據(jù)從病人的診斷記錄和治療記錄中獲取。從中共獲取了812個未處理的癥候名稱。為了使數(shù)據(jù)集更簡潔，我們將原始癥候名進行切分。在原始癥候名中包含小括號和中括號兩種類型的詞匯。小括號中的漢字表示可以忽略；中括號中的漢字表示可以進行替換。例如，“心氣（虧）虛證”表示“虧”可以忽略，則可將“心氣（虧）虛證”拆分成“心氣虛證”和“心氣虧虛證”兩個詞；“沖任失[不]調(diào)證”表示“不”可以被替換，則可將“沖任失[不]調(diào)證”拆分為“沖任失調(diào)證”和“沖任不調(diào)證”。經(jīng)過處理，數(shù)據(jù)集一共包含了1129個癥候名。接下來我們分別使用人工翻譯和機器翻譯將每個癥候名翻譯為英文，以便對翻譯質(zhì)量進行對比。我們將一份翻譯標準作為對比依據(jù)。將處理后的癥候名再分割為單個漢字，；例如，“心氣虧虛證”被分割為“心”、“氣”、“虧”、“虛”、“證”5個漢字。

2.2 標注方法

語料庫使用矩陣來對1129個中醫(yī)癥候名進行標注。矩陣的第一列為被分割的中醫(yī)癥候名漢字，第一行為該癥候名的英文翻譯。如果拆分的漢字與英文單詞對應，則標記為“1”；如果在英文翻譯的單詞中沒有與漢字對應則在“null”列標記“1”。圖1為中英文對齊標注矩陣。

我們建立了2個中英文對齊數(shù)據(jù)集用于對比參考。一個數(shù)據(jù)集通過翻譯工具進行翻譯，另一個通過人工進行翻譯。我們對兩者的翻譯質(zhì)量進行實驗對比。

3 實驗

3.1 翻譯質(zhì)量

我們使用一份翻譯標準分別對工具翻譯和人工翻譯進行對比評估。使用翻譯工具對癥候名進行翻譯后與翻譯標準進行對比，在1129個癥候名中工具翻譯與翻譯標準相同的詞為6個，不同的有1123個。使用人工翻譯對癥候名進行翻譯則有1124個詞與翻譯標準相同，5個詞與翻譯標準不同。從統(tǒng)計數(shù)據(jù)可以看出，工具翻譯與翻譯標準對比差距較大，而人工翻譯則與翻譯標準差異較小。說明人工翻譯比工具翻譯更為準確。為了說明語料庫的信度和翻譯難度，我們引入了kappa系數(shù)對數(shù)據(jù)進行分析。

3.2 數(shù)據(jù)集的kappa系數(shù)分析

Kappa系數(shù)是一種廣泛使用的評估者之間的評分一致性的指標。Kappa系數(shù)公式為：

（1）

其中，p0為實際一致率，pe為隨機一致率。如果一致率完全相同則K=1。K值計算結(jié)果為-1到1之間，其絕對值越小說明一致性越低。

為了分別計算工具翻譯與人工翻譯的kappa值，我們分別建立了兩組工具翻譯和人工翻譯的數(shù)據(jù)集。兩組工具翻譯采用不同的翻譯工具，兩組人工翻譯同樣使用不同的翻譯人員進行翻譯。表1展示了工具翻譯的kappa系數(shù)矩陣。從矩陣可計算出工具翻譯的kappa值為0.583，說明不同的工具翻譯具有中等的一致性。表2展示了人工翻譯的kappa系數(shù)矩陣，其kappa值為-0.009，說明不同的人工翻譯之間具有較低的一致性。

4 語料庫相關分析

中醫(yī)癥候名的中英文雙語對齊語料庫共有1129個癥候名、5618個分割漢字和4591個英文翻譯。在語料庫中，我們使每個漢字都與一個英文翻譯對齊，如圖2所示。我們通過中英文的映射標記了中英癥候名之間的聯(lián)系。語料庫提供了中英文的癥候名對齊，該語料庫可以用于具有混淆語義的中醫(yī)臨床癥候名的識別，同時也可用于中醫(yī)文本挖掘的研究。

5 結(jié)論

中醫(yī)癥候名的中英文雙語對齊語料庫完成了3個相關任務：癥候名預處理，翻譯和癥候名分割，癥候名標注與對齊。該語料庫可作為中醫(yī)癥候名研究的基礎，同時可以幫助研究者更有效和更精確地識別臨床中醫(yī)癥候名。語料庫也存在以下不足：語料庫數(shù)據(jù)集數(shù)量偏小。在今后的研究中會不斷的增加新的中醫(yī)癥候名，使識別準確率更加精確。

參考文獻

[1]Fang Y，Huang H，Chen H.TCMGeneDIT：a database for associated traditional Chinese medicine， gene and disease information using text mining[J]. BMC Complementary and Alternative Medicine，2008.endprint

[2]Wang S，Li Y，Devinsky O，et al. Traditional chinese medicine[J]. Complementary and alternative therapies for epilepsy，2005：177-182.

[3]Lu A P，Jia H W，Xiao C，et al.Theory of traditional Chinese medicine and therapeutic method of diseases[J].World journal of gastroenterology：WJG，2004，10（13）：1854.

[4]Hafner C.Introduction to Traditional Chinese Medicine （Out of Print）[J]. 2006.

[5]Ananiadou S，Kell DB，Tsujii [J].Text mining and its potential applications in systems biology. Trends Biotechnol.2006（24）：571-579.

[6]Feng Y，Wu Z，Zhou X，et al.Knowledge discovery in traditional Chinese medicine： state of the art and perspectives[J].Artificial Intelligence in Medicine，2006，38（03）：219-236.

[7]Viera A J，Garrett J M.Understanding interobserver agreement：the kappa statistic[J].Fam Med，2005，37（05）：360-363.

[8]Cohen J.A coefficient of agreement for nominal scales[J].Educational and psychological measurement，1960，20（01）：37-46.

作者單位

成都信息工程大學軟件工程學院 四川省成都市 610225endprint