基于联合学习的生物医学因果关系抽取

发布时间：2024-05-06 20:19

　　生物医学因果关系抽取是BioCreative社区提出的一项评测任务,旨在挖掘生物医学实体间丰富的语义关系,并用生物医学表征语言(biological expression language, BEL)来表示。与传统的实体关系抽取不同,该任务不仅包含实体间因果关系的抽取,还包含实体功能的识别。此前已经提出了一些该任务的解决方法,但均未考虑这两个子任务间的关联性。该文基于多任务的思想,提出一种二元关系抽取和一元功能识别共同决策的联合学习模式。首先两个任务共享底层向量表示,然后利用长短期记忆(long short-term memory, LSTM)网络和门控机制学习两个任务之间的交互表示,最后分别进行分类预测。实验结果表明,该方法能够融合两个子任务的信息,在2015 BC-V测试集上获得了45.3%的F值。

【文章页数】：9 页

【部分图文】：

目前,生物医学领域专家制定了一些语言标准来形式化表示生物医学发现,包括SystemsBiologyMarkupLanguage(SBML)[1],BiologicalPathwayExchangeLanguage(BioPAX)[2],BiologicalExpr....

模型的输入即词序列,关系抽取任务的输入是整个句子序列,为了降低词噪声的影响,我们选取实体周围的16个词序列作为功能识别任务的输入。在嵌入层,输入序列转化为嵌入特征对应的表征向量。嵌入特征包括词特征和位置特征。对于关系抽取任务来讲,位置特征是词与两个实体的距离,而功能识别任务里的位....

本文引入参数α(α∈(0,1])表征功能识别任务的权重。为了确定α值,本文在样例集上评估了不同α值对语句层面性能的影响,图3列出了当α取不同值时,样例集语句层面的F1值。从图3可以看出,当α取0.3时,样例集上的性能达到最高值23.1%。2.4.4与基准工作的对比

第四章基于关系抽取和功能检测联合学习的因果关系抽取?面向生物医学领域的复杂实体关系抽取??４．３联合学习抽取模型??由于ＢＥＲＴ模型系列ｔ％，尤其是Ｂｉ〇ＢＥＲＴ［４８ｌ在生物医学领域的关系抽取中所??取得的巨大成功，因此本文采用ＢｉｏＢＥＲＴ模型作为联合学习的基本框架。ＢＥＲＴ....

本文编号：3966294