LATTE：用于生物医学实体链接的潜在类型建模
计算与语言
2020-01-22 v2 信息检索
机器学习
机器学习
摘要
实体链接是将自然语言文本中命名实体的提及链接到精选知识库中实体的任务。这在生物医学领域具有重要意义，可用于将大量临床记录和生物医学文献语义标注为本体（如统一医学语言系统（UMLS））中描述的标准化概念。我们观察到，借助精确的类型信息，实体消歧成为一项直接任务。然而，细粒度类型信息在生物医学领域通常不可用。因此，我们提出LATTE，一种潜在类型实体链接（LATent Type Entity Linking）模型，通过对提及和实体的潜在细粒度类型信息进行建模来改进实体链接。与以往直接在提及和实体之间执行实体链接的方法不同，LATTE在无直接监督的情况下联合进行实体消歧和潜在细粒度类型学习。我们在两个生物医学数据集上评估我们的模型：MedMentions（一个用UMLS概念标注的大规模公共数据集）和一个用ICD概念标注的脱敏医生口述笔记语料库。广泛的实验评估表明我们的模型相比几种最先进技术取得了显著的性能提升。
引用
@article{arxiv.1911.09787,
title = {LATTE: Latent Type Modeling for Biomedical Entity Linking},
author = {Ming Zhu and Busra Celikkaya and Parminder Bhatia and Chandan K. Reddy},
journal= {arXiv preprint arXiv:1911.09787},
year = {2020}
}
备注
AAAI 2020 Conference