利用检索增强学习改进生物医学实体链接
计算与语言
2023-12-18 v1 人工智能
机器学习
摘要
在预训练语言模型的帮助下，生物医学实体链接取得了显著进展。然而，由于长尾分布，现有的 BioEL 方法通常难以处理罕见和困难实体。为了解决这一局限性，我们引入了一种新方案 NN-BioEL，它为 BioEL 模型提供了从整个训练语料库中参考相似实例作为预测线索的能力，从而提高了泛化能力。此外，我们设计了一个带有动态困难负采样（DHNS）的对比学习目标，以提高推理过程中检索邻居的质量。大量实验结果表明，NN-BioEL 在多个数据集上优于 SOTA 基线。
引用
@article{arxiv.2312.09806,
title = {Improving Biomedical Entity Linking with Retrieval-enhanced Learning},
author = {Zhenxi Lin and Ziheng Zhang and Xian Wu and Yefeng Zheng},
journal= {arXiv preprint arXiv:2312.09806},
year = {2023}
}
备注
Accepted by ICASSP 2024