Files
Budulan_41922000_2022.pdf
Closed access - Adobe PDF
- 620.14 KB
Budulan_41922000_2022_Annexe1.pdf
Closed access - Adobe PDF
- 350.02 KB
Budulan_41922000_2022_Annexe2.pdf
Closed access - Adobe PDF
- 645.49 KB
Budulan_41922000_2022_Annexe3.pdf
Closed access - Adobe PDF
- 3.29 MB
Details
- Supervisors
- Faculty
- Degree label
- Abstract
- L’objectif de ce mémoire est d’extraire et de prédire des interactions plantes médicinales-médicaments à partir de textes biomédicaux des articles scientifiques recherchés dans la base de données PubMed. Les interactions plantes médicinales-médicaments représentent un domaine moins étudié par rapport aux interactions médicament-médicament, malgré la constante augmentation de la phytothérapie. Un corpus de 89 articles a été constitué et 2000 phrases mentionnant les deux types d’entités recherchées ont été extraites. Le corpus a été annoté avec trois catégories, mentionnant la présence ou l’absence d’une interaction, ainsi que les interactions mixtes. Deux types de classification des interactions ont été effectués, une classification binaire pour la détection de la présence ou l’absence d’une interaction, et une classification multilabel pour l’identification des trois catégories annotées, les interactions mixtes comprises également. Pour la classification binaire les modèles du type SVM ont eu de très bonnes performances, tandis que pour la classification multilabel un réseau de neurones bidirectionnel avec des unités de mémoire à court et long terme et une couche d’attention a eu les meilleurs résultats.