背景:基因命名实体的分类和识别是生物医学文献中文本挖掘的关键性初步步骤。 基于机器学习的方法已在这一领域获得了巨大成功。 在大多数最新系统中,精心设计的词汇功能(例如单词,n-gram和形态模式)已发挥了核心作用。 但是,这种类型的特征往往会导致特征空间中的极度稀疏。 结果,由于缺乏信息,训练数据中的词汇不足(OOV)术语无法很好地建模。 结果:我们提出了一个通用的基因命名框架,称为实体表示,称为特征耦合泛化(FCG)。 基本思想是在大量未标记数据中使用术语频率和高度指示性特征的共现信息来生成更高级别的特征。 我们在命名实体分类任务中检查了它的性能,该任务旨在删除源自在线资源的大型词典中的非基因条目。 结果表明,FCG生成的新功能比5.97 F得分和10.85的OOV词优于词法功能。 同样在此框架中,每个扩展都产生了显着的改进,并且稀疏的词法特征可以转换为较低维和更具信息量的表示形式。 基于优化字典的前向最大匹配方法在BioCreative 2 GM测试集上产生86.2的F分数。 然后,将字典与基于条件随机场(CRF)的基因提及标记器结合使用,获得89.05的F得分,从而将基于CRF的