DICE：基于生成模型的数据高效临床事件抽取
计算与语言
2023-05-26 v2 人工智能
机器学习
摘要
临床领域的事件抽取是一个未被充分探索的研究领域。训练数据的缺乏，加上大量具有模糊实体边界的领域特定术语，使得该任务尤其具有挑战性。在本文中，我们介绍了 DICE，一种用于临床事件抽取的鲁棒且数据高效的生成模型。DICE 将事件抽取构建为条件生成问题，并引入对比学习目标以准确判定生物医学提及的边界。DICE 还将辅助提及识别任务与事件抽取任务联合训练，以更好地识别实体提及边界，并进一步引入特殊标记，将已识别的实体提及作为各自任务的触发词和论元候选。为对临床事件抽取进行基准测试，我们基于已有的临床信息抽取数据集 MACCROBAT 构建了 MACCROBAT-EE，这是首个带有论元标注的临床事件抽取数据集。我们的实验展示了 DICE 在临床和新闻领域事件抽取中的最先进性能，尤其是在低数据设置下。
引用
@article{arxiv.2208.07989,
title = {DICE: Data-Efficient Clinical Event Extraction with Generative Models},
author = {Mingyu Derek Ma and Alexander K. Taylor and Wei Wang and Nanyun Peng},
journal= {arXiv preprint arXiv:2208.07989},
year = {2023}
}
备注
In ACL 2023; 18 pages, 4 figures, 12 tables