我想做的事：
我正在尝试列出术语并区分它们来自哪个域。例如，“肠”来自解剖学领域，而术语“癌症”来自疾病领域。我从 DOID 和 FMA 等不同的本体中获得这些术语（它们可以在 bioportal.bioontology.org 找到）
问题：
我很难找到实现这一点的最佳方法。目前，我天真地从本体 DOID 和 FMA 中获取术语，并从 DOID 列表中获取我们知道是解剖学的 FMA 列表中的任何术语的差异（其中包含可能是解剖学的术语，例如结肠癌，结肠是解剖学的和癌症是疾病）。
想法：
我在想我可以获取不同术语域的词根、前缀和后缀，并尝试将其与列表中的术语匹配。另一个想法是从他们的本体中获取更多信息，例如元数据或其他东西，并使用它来区分术语。
欢迎任何想法。
【问题讨论】：
标签： list dictionary nlp ontology
作为第一次运行，您可能会在使用二元组时获得最好的运气。作为最初的假设，疾病通常是名词短语，并且通常具有非常特定于英语的结构，其中NP -> N N，如“肝癌”，意思与“肝癌”大致相同。医生倾向于不使用后者，而前者应该很好地用二元组捕获。
使用您拥有的两个本体作为起点来训练某种二元模型。就像 Rcynic 建议的那样，您可以计算它们并得出概率。 Naive Bayes classifier 在这里可以很好地工作。特征是二元组；类是解剖学或疾病。 sklearn 内置了朴素贝叶斯。“朴素”部分意味着，在这种情况下，你所有的二元组都是相互独立的。这个假设从根本上说是错误的，但它在很多情况下都很好用，所以我们假装它是真的。
这不会完美运行。由于这是您的第一次通过，您应该准备好探查输出，以了解它是如何得出答案的，并找到失败的案例。当您发现错误趋势时，请调整您的模型，然后重试。
我不会在这里推荐 WordNet。它不是医生写的，而且由于你所做的事情依赖于精确的医学术语，它可能会增加奇怪的含义。考虑一下，来自nltk.corpus.wordnet：
>>> livers = reader.synsets("liver")
>>> pprint([l.definition() for l in livers])
[u'large and complicated reddish-brown glandular organ located in the upper right portion of the abdominal cavity; secretes bile and functions in metabolism of protein and carbohydrate and fat; synthesizes substances involved in the clotting of the blood; synthesizes vitamin A; detoxifies poisonous substances and breaks down worn-out erythrocytes',
u'liver of an animal used as meat',
u'a person who has a special life style',
u'someone who lives in a place',
u'having a reddish-brown color']
其中只有一个是您真正感兴趣的。作为零假设，WordNet 有 80% 的可能性会添加噪音，而不是知识。
【讨论】：
天真的方法 - 它为您带来了什么样的精度和召回率？如果您现在设置一个测试用例，那么您可以在应用更复杂的方法时跟踪您的进度。
我不知道您要处理的初始设置是什么 - 但可以尝试的一件事是获取带注释的文档（也许使用机械土耳其人）。需要将文档标记为您要查找的域 - 解剖学或疾病。
然后计数和除法将告诉您遇到的单词属于某个域的可能性有多大。下一步是调整一些权重。
另一种方法（完全不同的方向）是使用 WordNet。我不知道它是否对您的目的有用，但它是一个庞大的本体 - 所以它可能会有所帮助。
Python 具有通过 nltk 使用 Wordnet 的绑定。
从 nltk.corpus 导入 wordnet 作为 wn
wn.synsets('癌症')
给出输出 = [Synset('cancer.n.01'), Synset('cancer.n.02'), Synset('cancer.n.03'), Synset('cancer.n.04') , 同义词集('cancer.n.05')]
http://wordnetweb.princeton.edu/perl/webwn
让我们知道结果如何。
【讨论】：