面向生物医学命名实体识别的有效多任务学习
计算与语言
2025-07-25 v1
摘要
生物医学命名实体识别因生物医学术语的复杂性和跨数据集的注释不一致性而面临重大挑战。本文引入 SRU-NER（基于槽位的循环单元命名实体识别），一种新方法旨在处理嵌套命名实体并通过有效的多任务学习策略整合多个数据集。SRU-NER 通过动态调整损失计算以避免对在给定数据集中缺失实体类型的预测进行惩罚，来缓解注释之间的差距。通过大量实验，包括跨语料库评估和对模型预测的人类评估，SRU-NER 在生物医学和通用领域的命名实体识别任务中实现了具竞争力的性能，同时改进了跨域泛化。
关键词
引用
@article{arxiv.2507.18542,
title = {Effective Multi-Task Learning for Biomedical Named Entity Recognition},
author = {João Ruano and Gonçalo M. Correia and Leonor Barreiros and Afonso Mendes},
journal= {arXiv preprint arXiv:2507.18542},
year = {2025}
}
备注
Accepted at the 24th BioNLP workshop (ACL2025), 15 pages, 3 figures