将异构领域信息整合入关系抽取：以药物相互作用抽取为例的研究

深度神经网络的发展改善了各个领域的表示学习，包括文本表示、图结构表示和关系三元组表示。这一发展开启了超越传统面向文本关系抽取的新型关系抽取之门。然而，关于同时考虑多种异构领域信息有效性的研究仍处于探索阶段，如果模型能够利用整合的异构信息，预计将对现实世界中的许多问题做出重大贡献。本文以文献中的药物相互作用抽取为案例研究，利用异构领域信息实现关系抽取。首先，准备了一个深度神经关系抽取模型并分析了其注意力机制。接着，提出了一种将药物分子结构信息与药物描述信息结合到输入句子信息中的方法，并展示了利用药物分子结构和药物描述进行关系抽取任务的有效性。然后，为了进一步利用异构信息，从多个现有数据库中收集了药物相关条目（如蛋白质条目、医学术语和通路），并构建了一个知识图谱形式的新数据集。在构建的数据集上进行链路预测任务，以获得包含异构领域信息的药物嵌入表示。最后，提出了一种整合输入句子信息与异构知识图谱信息的方法。所提出的模型在一个广泛使用的数据集上进行了训练和评估，结果表明，利用异构领域信息显著提升了从文献中进行关系抽取的性能。