AIONER：基于深度学习的一体化方案生物医学命名实体识别
计算与语言
2023-05-17 v3 人工智能
摘要
生物医学命名实体识别（BioNER）旨在自动识别自然语言文本中的生物医学实体，作为信息抽取和问答等下游文本挖掘任务与应用的必要基础。然而，由于准确标注所需的显著领域专业知识，为 BioNER 任务手动标注训练数据成本高昂。由此产生的数据稀缺导致当前 BioNER 方法易于过拟合、泛化能力有限，且一次仅处理单一实体类型（例如基因或疾病）。因此我们提出一种新颖的一体化（AIO）方案，利用现有标注资源的外部数据来提升 BioNER 模型的准确性与稳定性。我们进一步提出 AIONER，一种基于前沿深度学习和我们 AIO 方案的通用电生物医学命名实体识别工具。我们在 14 个 BioNER 基准任务上评估 AIONER，表明 AIONER 有效、鲁棒，且优于多任务学习等其他最先进方法。我们进一步在三个独立任务中展示了 AIONER 的实用价值，可识别训练数据中未曾出现的实体类型，以及 AIONER 相较于现有方法在处理大规模生物医学文本（例如整个 PubMed 数据）方面的优势。
引用
@article{arxiv.2211.16944,
title = {AIONER: All-in-one scheme-based biomedical named entity recognition using deep learning},
author = {Ling Luo and Chih-Hsuan Wei and Po-Ting Lai and Robert Leaman and Qingyu Chen and Zhiyong Lu},
journal= {arXiv preprint arXiv:2211.16944},
year = {2023}
}
备注
Accepted by Bioinformatics