面向跨专科医学命名实体识别的标签感知双重迁移学习
计算与语言
2018-05-01 v2 人工智能
摘要
我们研究从电子病历中进行命名实体识别（NER）的问题，这是医学文本挖掘中最基础且最关键的问题之一。由不同专科临床医生书写的病历通常包含差异很大的术语和写作风格。专科之间的差异以及人工标注的成本使得训练一个通用的医学 NER 系统尤为困难。在本文中，我们提出一种面向跨专科 NER 的标签感知双重迁移学习框架（La-DTL），使得为一个专科设计的医学 NER 系统能够以最小的标注代价便捷地应用于另一专科。其可迁移性由两个组件保证：（i）我们提出标签感知 MMD 用于特征表示迁移；（ii）我们以同样标签感知的理论上界进行参数迁移。我们在 12 个跨专科 NER 任务上进行了大量实验。实验结果表明 La-DTL 相比强基线带来了一致的准确率提升。此外，在非医学 NER 场景上有前景的实验结果表明 La-DTL 有潜力无缝适配到广泛的 NER 任务。
引用
@article{arxiv.1804.09021,
title = {Label-aware Double Transfer Learning for Cross-Specialty Medical Named Entity Recognition},
author = {Zhenghui Wang and Yanru Qu and Liheng Chen and Jian Shen and Weinan Zhang and Shaodian Zhang and Yimei Gao and Gen Gu and Ken Chen and Yong Yu},
journal= {arXiv preprint arXiv:1804.09021},
year = {2018}
}
备注
NAACL HLT 2018