关注所有提及对以实现全摘要生物关系抽取

大多数关系抽取工作通过查看包含单个实体对提及的单个句子内的短文本跨度来进行预测。然而，许多关系类型，特别是在生物医学文本中，是跨句子表达的，或者需要较大的上下文来进行消歧。我们提出了一种模型，以同时考虑所有提及和实体对来进行预测。我们使用高效的自注意力编码器对全文摘要进行编码，并通过双线性运算在所有提及之间形成成对预测。实体对级别的池化聚合提及对得分以做出最终预测，同时通过执行文档内多实例学习来减轻训练噪声。我们通过联合训练模型以预测命名实体并添加额外的弱标注数据语料库，提高了模型的性能。我们在 Biocreative V Chemical Disease Relation 数据集上展示了该模型的有效性，在不使用知识库资源的情况下达到了最先进水平，优于使用手工特征和额外语言资源的模型集成。