DMNER：基于检测与匹配的生物医学实体识别
计算与语言
2023-07-06 v2
摘要
生物医学命名实体识别（BNER）是众多生物医学文本挖掘任务的基础。与通用 NER 不同，BNER 需要全面掌握领域知识，且融入训练数据之外的外部知识是一项重大挑战。在本研究中，我们提出一种称为 DMNER 的新型 BNER 框架。通过利用已有的实体表示模型 SAPBERT，我们将 BNER 视为一个两步过程：实体边界检测与生物医学实体匹配。DMNER 在多种 NER 场景中均具适用性：1）在有监督 NER 中，我们观察到 DMNER 能有效纠正基线 NER 模型的输出，从而进一步提升性能。2）在远程监督 NER 中，结合 MRC 与 AutoNER 作为跨度边界检测器使 DMNER 取得令人满意的结果。3）对于通过合并多个数据集来训练 NER，我们采用类似于 DS-NER 的框架，但额外利用 ChatGPT 在训练中获取高质量短语。通过在 10 个基准数据集上的大量实验，我们证明了 DMNER 的通用性与有效性。
引用
@article{arxiv.2306.15736,
title = {DMNER: Biomedical Entity Recognition by Detection and Matching},
author = {Junyi Bian and Rongze Jiang and Weiqi Zhai and Tianyang Huang and Hong Zhou and Shanfeng Zhu},
journal= {arXiv preprint arXiv:2306.15736},
year = {2023}
}
备注
9 pages content, 2 pages appendix