Extracting Collocations from syntactically annotated biomedical Corpora

This thesis investigates the extraction of frequently used phrases (so called collocations) from biomedical text sources. The extraction of uninterrupted collocation candidates is introduced. For interrupted candidates, with gaps between their subcomponents, a new technique using suffix tries is developed. It is based on the iterative extension of frequent smaller patterns. This reduces computational complexity, compared to previous approaches to this task. Extraction is further extended to annotated biomedical corpora, which incorporate additional information for each word (i.e. base form and syntactic category). This enables the discovery of patterns with wild-cards for specific attributes. Finally, different common approaches for scoring candidates are explained, and their applicability to the extracted candidates is evaluated. Zusammenfassung Diese Studienarbeit untersucht die Extraktion von häufig verwendeten Phrasen (so genannten Kollokationen) aus biomedizinischen Texten. Die Extraktion von zusammenhängenden Kollokationskandidaten wird vorgestellt. Für unterbrochene Kandidaten, deren Teile durch Lücken getrennt sind, wird ein neues Verfahren, basierend auf Suffixbäumen dargestellt. Dieses Verfahren basiert auf der iterativen Erweiterung von häufig vorkommenden kleineren Mustern. Dadurch wird der Berechnungsaufwand gegenüber bisher verwendeten Verfahren erheblich reduziert. Im Weiteren wird die Verarbeitung von syntaktisch annotierten biomedizinischen Korpora erläutert, die mit zusätzlicher Information für jedes Wort ausgezeichnet sind (z.B. Basisform und syntaktische Kategorie). Dies ermöglicht die Extraktion von Mustern, die Wildcards für bestimmte Attribute enthalten. Schließlich werden verschiedene gebräuchliche Verfahren zur Bewertung von Kollokationskandidaten erklärt und ihre Anwendung auf die in Experimenten extrahierten Kandidaten beurteilt.