结合上下文语言模型与显式上下文联合学习临床实体与关系
计算与语言
2021-02-23 v1 机器学习
摘要
我们假设，将上下文信息显式地整合到多任务学习（Multi-task Learning）框架中，能够强调上下文在联合学习命名实体识别（NER）与关系抽取（RE）任务中提升性能的重要性。我们的工作通过从周围上下文中分割实体，并利用每个独立片段构建上下文表示，证明了这一假设。这种关系表示使得一个联合 NER/RE 系统能够在 NER 与 RE 任务上达到接近最先进（SOTA）的性能，同时在端到端 NER 与 RE 上以 49.07 F1 超越了 SOTA RE 系统。
引用
@article{arxiv.2102.11031,
title = {Jointly Learning Clinical Entities and Relations with Contextual Language Models and Explicit Context},
author = {Paul Barry and Sam Henry and Meliha Yetisgen and Bridget McInnes and Ozlem Uzuner},
journal= {arXiv preprint arXiv:2102.11031},
year = {2021}
}