基于深度多任务学习的跨类型生物医学命名实体识别
信息检索
2018-10-09 v4 计算与语言
机器学习
摘要
动机：最先进的生物医学命名实体识别(BioNER)系统通常需要针对每种实体类型(如基因、化学品和疾病)手工设计特征。尽管近期研究探索使用神经网络模型进行 BioNER 以将专家从手动特征工程中解放出来，但性能仍受限于每种实体类型可用的训练数据。结果：我们提出了一种用于 BioNER 的多任务学习框架，以联合使用不同类型实体的训练数据并提升各自性能。在 15 个基准 BioNER 数据集上的实验中，我们的多任务模型相比最先进的 BioNER 系统和基线神经序列标注模型取得了显著更优的性能。进一步分析表明，大幅性能提升来自于在不同标注语料库的相关生物医学实体间共享字符级与词级信息。
引用
@article{arxiv.1801.09851,
title = {Cross-type Biomedical Named Entity Recognition with Deep Multi-Task Learning},
author = {Xuan Wang and Yu Zhang and Xiang Ren and Yuhao Zhang and Marinka Zitnik and Jingbo Shang and Curtis Langlotz and Jiawei Han},
journal= {arXiv preprint arXiv:1801.09851},
year = {2018}
}
备注
7 pages, 4 figures