BioNLP-OST 2019 RDoC 任务：基于主题与注意力的查询-文档-句子交互的多粒度神经相关性排序
机器学习
2019-10-03 v2 计算与语言
信息检索
机器学习
摘要
本文介绍了我们参与 BioNLP-OST 2019 RDoC 任务的系统细节与结果。研究域标准（Research Domain Criteria, RDoC）构念是一个多维且宽泛的框架，通过结合从基因组学到行为的知识来描述精神健康障碍。RDoC 标注数据集的缺失以及繁琐的标注过程阻碍了 RDoC 框架在生物医学研究界与医疗行业中充分发挥其潜力。因此，任务 1 旨在检索并排序与给定 RDoC 构念相关的 PubMed 摘要，任务 2 旨在从给定 PubMed 摘要中抽取最相关的句子。我们研究了（1）基于注意力的有监督神经主题模型与 SVM 用于 PubMed 摘要的检索与排序，并进一步利用 BM25 与其他相关性度量进行重排序；（2）利用由查询感知的基于注意力的句子表示（QAR）、词袋（BoW）与 TF-IDF 组成的多视角表示的有监督与无监督句子排序模型。我们的最佳系统在任务 1 与任务 2 中分别取得第 1 名，并获得了 0.86 平均精度均值（mAP）与 0.58 宏平均准确率（MAA）。
引用
@article{arxiv.1910.00314,
title = {BioNLP-OST 2019 RDoC Tasks: Multi-grain Neural Relevance Ranking Using Topics and Attention Based Query-Document-Sentence Interactions},
author = {Yatin Chaudhary and Pankaj Gupta and Hinrich Schütze},
journal= {arXiv preprint arXiv:1910.00314},
year = {2019}
}
备注
EMNLP2019, 10 pages, 2 figures, 7 tables