主实体增强型层叠指针网络在中文医学实体关系抽取中的应用

随着中国医学事业的快速发展,中文医学文本的数量不断增加。为了从这些中文医学文本中提取有价值的信息,并解决中文医学领域的实体关系抽取问题,研究人员已经提出一系列基于双向LSTM的模型。然而,由于双向LSTM的训练速度等问题,文中引入了层叠指针网络框架来处理中文医学文本的实体关系抽取任务。为了弥补层叠指针网络框架中主实体识别能力不足以及解决复用编码层时的梯度问题,文中提出了主实体增强模块,并引入了条件层归一化方法,从而提出了面向中文医学文本的主语增强型层叠指针网络框架(Subject Enhanced Cascade Binary Pointer Tagging Framework for Chinese Medical Text,SE-CAS)。通过引入主实体增强模块,能够精确识别有效的主实体,并排除错误实体。此外,还使用条件层归一化方法来替代原模型中的简单相加方法,并将其应用于编码层和主实体编码层。实验结果证明,所提模型在CMeIE数据集上取得了5.73%的F1值提升。通过消融实验证实,各个模块均能带来性能提升,并且这些提升具有叠加效应。

融合依存信息Attention机制的药物关系抽取研究

药物关系(Drug-Drug Interaction,DDI)抽取是生物医学关系抽取领域的重要分支,现有方法主要强调实体、位置等信息对关系抽取的影响。相关研究表明,依存信息对于关系抽取具有重要作用,如何合理利用依存信息是关系抽取研究中需要解决的问题。该文提出一种融合依存信息Attention机制的药物关系抽取模型,衡量最短依存路径与句子的相关性,捕捉对实体间关系有用的信息。首先使用双向GRU(BiGRU)网络分别学习原句子和最短依存路径(Shortest Dependency Path,SDP)的语义信息和上下文信息,然后通过Attention机制将SDP信息与原句子信息融合,最后利用融合依存信息之后的句子表示进行分类预测。在DDIExtraction2013语料上进行了实验评估,模型F值为73.72%。

基于双向GRU和CNN的药物相互作用关系抽取

不同药物由于药效动力学和药代动力学的差异可能会产生不可预知的副作用,甚至威胁患者的生命安全。在信息技术飞速发展及指数级生物医学文献增加的背景下,从文本中提取药物相互作用成为可能,为此本文提出一种基于双向门控循环单元(GRU)和卷积神经网络(CNN)相融合的双层药物关系抽取模型,使用DDIExtraction2013作为数据集进行多组实验评估,实验结果获得最高75%的综合测评率;与其他方法相比较,基于双向GRU和CNN的双层模型可以有效地抽取文本中的药物相互作用关系。

基于医学领域知识和远程监督的医学实体关系抽取研究

【目的】针对当前传统医学关系抽取方法存在数据标注成本高及易产生错误标签的问题,提出引入医学领域知识的远程监督医学实体关系抽取模型。【方法】该模型采用多实例策略降低远程监督标注数据的噪声影响,使用预训练语言模型MedicalBERT对远程监督标注文本进行编码,以实体在医学知识库的描述作为背景知识为医学关系抽取提供监督信号,提升文本中实体语义编码的准确性。【结果】本文模型的抽取效果与现有模型相比,准确率最高提升5.4%,召回率最高提升2.5%,F1值最高提升4.1%。此外,在并发症的抽取结果中,F1值达到93.8%。【局限】模型主要适用于句子级关系抽取,暂未考虑其在更多句子情况下的性能。【结论】引入医学领域知识的远程监督医学实体关系抽取模型具有良好的关系抽取效果,可为医学关系抽取研究提供参考。