博文
词和论文同时聚类告诉我们什么了？
|||
最初的目的，是想研究一下如何利用主题词关联规则从文章中抽取informative sentence。
首先，选定一个主题“阿司匹林引起胃肠道出血”，在PubMed中输入了检索词：
"Aspirin/adverse effects"[Majr] AND "Gastrointestinal Hemorrhage/chemically induced"[Majr]
并限定要有文摘的文献记录，得到了141条记录。
对这141条记录抽取了主题词并进行了统计，截取出现频次高于5次的主题词，得到了一个数据矩阵，局部如下：
其中的行是高频主题词12个，其中的列是相关的论文若干（141篇中，涉及到12个高频主题词中任何一个的文献记录）。然后，用gCLUTO进行聚类，就是对词和文章的同时聚类，得到了聚类结果，对其中部分内容进行可视化表达，局部如下：
正中间是小格子，可以叫做矩阵可视化，红颜色表示出现，白色的是没有出现。
右侧的是被聚类的三个主题词，左侧则它们的是聚类树图。
下侧是文献记录的标号，而上方则是这些文献聚类树图。
这里显示的是3个词被聚类在一起，“胃疾病/化学引起”（Stomach Diseases/chemically induced），“胃粘膜/药物作用”（Gastric Mucosa/drug effects），“阿司匹林/毒性”（Aspirin/toxicity）。
最有意思的是，这个图形清晰地展示出聚类分析是如何进行的：：
这三个词，胃粘膜/药物作用和阿司匹林/毒性由于它们在371629，2813856，和3259918号文献记录上共现而首先聚集在一起。然后，胃粘膜/药物作用又和胃疾病/化学引起聚类在一起，从标记为红色的方块可以看出，它们是因为同时在2509266和1888645两篇论文中同时出现而被聚类在一起的。
然后就是问题，其实“阿司匹林/毒性”与“胃疾病/化学引起”这两个词根本就没有在这些文章中共同出现过，全图如下：
双聚类中显示出来的“虚假”联系，说明了什么？
这是好事还是坏事？
如果说是虚假联系，这是坏事。
如果说是潜在的联系，这是好事。
我比较倾向于好事，因为：
第一，这三个词确实能够解释为：阿司匹林药物对胃粘膜的毒性作用引起胃部疾病，其语义关系相当明确。
第二，通过共现的论文查看，这些论文（被称作对该类别描述度比较强的属性）也确实介绍了对阿司匹林的胃粘膜毒性作用引起胃疾病的预防。其实这几篇论文的实际内容更为复杂，大致的内容是：为治疗心血管疾病服用阿司匹林，阿司匹林对胃粘膜有毒性作用引起胃疾病，然后用某种药物进行预防。
第三，我相信这两个非相关的词是通过模式上的相似性而聚集到一起的。
这与Swanson的非相关互补文献是否为一个原理呢？如果扩大范围（文献量和主题覆盖面，以及高频词的阈值），是不是会有更多发现呢？能吗？比如中西医结合的主题？
局限性：
这个检索刚开始限定了带有文摘，同时检索的是主要主题词。
同时，如果范围过大，超出了聚类分析合理性的范围，也会很荒谬的哟。
后来，我用一个比较大的范围的主题重新试验了一下，比较失望，表现的都是很合理的语义关系。
不急，哪有随随便便成功的呢，慢慢来吧。
https://wap.sciencenet.cn/blog-82196-385288.html
上一篇：生于忧患，死于安乐
下一篇：看问题的角度很重要
