基于联合学习的生物医学文献因果关系抽取
计算与语言
2022-08-03 v1 人工智能
摘要
生物医学实体的因果关系抽取是生物医学文本挖掘中最复杂的任务之一，涉及两类信息：实体关系和实体功能。一种可行的方案是将关系抽取和功能检测视为两个独立的子任务。然而，这种分离学习方法忽略了它们之间的内在关联，导致性能不佳。本文提出一种联合学习模型，将实体关系抽取与实体功能检测相结合，以利用它们的共性并捕捉其相互关系，从而提升生物医学因果关系抽取的性能。同时，在模型训练阶段，损失函数中的不同功能类型被赋予不同权重。具体而言，负功能样本的惩罚系数被提高，以有效提升功能检测的精确率。在 BioCreative-V Track 4 语料上的实验结果表明，我们的联合学习模型在 BEL 语句抽取上优于分离模型，在第 2 阶段和第 1 阶段评估的测试集上分别取得了 58.4% 和 37.3% 的 F1 分数。这表明我们的联合学习系统在第 2 阶段与其他系统相比达到了最先进（state-of-the-art）性能。
引用
@article{arxiv.2208.01316,
title = {Joint Learning-based Causal Relation Extraction from Biomedical Literature},
author = {Dongling Li and Pengchao Wu and Yuehu Dong and Jinghang Gu and Longhua Qian and Guodong Zhou},
journal= {arXiv preprint arXiv:2208.01316},
year = {2022}
}
备注
15 pages, 3 figures