CollaboNet：深度神经网络协作用于生物医学命名实体识别
计算与语言
2019-05-30 v2 机器学习
摘要
背景：寻找生物医学命名实体是生物医学文本挖掘中最基本的任务之一。近年来，基于深度学习的方法已被应用于生物医学命名实体识别（BioNER）并展现出有前景的结果。然而，由于深度学习方法需要大量训练数据，数据匮乏会阻碍性能表现。BioNER 数据集是稀缺资源，且每个数据集仅覆盖实体类型的一小部分子集。此外，许多生物实体具有多义性，这是命名实体识别中的主要障碍之一。结果：为解决数据匮乏和实体类型误分类问题，我们提出 CollaboNet，其利用多个 NER 模型的组合。在 CollaboNet 中，在不同数据集上训练的模型相互连接，使得目标模型从其他协作模型获取信息以减少假阳性。每个模型均是其目标实体类型的专家，并在训练时轮流作为目标模型和协作模型。实验结果表明，CollaboNet 可大幅减少假阳性数量及包括多义词在内的误分类实体。CollaboNet 在精确率、召回率和 F1 分数方面达到了最先进的性能。结论：我们展示了组合多个模型用于 BioNER 的益处。我们的模型通过利用为不同实体类型标注的多个数据集，成功减少了误分类实体数量并提升了性能。鉴于我们模型的最先进性能，我们相信 CollaboNet 能够提升下游生物医学文本挖掘应用（如生物实体关系抽取）的准确率。
引用
@article{arxiv.1809.07950,
title = {CollaboNet: collaboration of deep neural networks for biomedical named entity recognition},
author = {Wonjin Yoon and Chan Ho So and Jinhyuk Lee and Jaewoo Kang},
journal= {arXiv preprint arXiv:1809.07950},
year = {2019}
}
备注
From DTMBio workshop at CIKM 2018, Turin, Italy. 22-26 October 2018