从临床对话中学习推断实体、属性及其相互关系
计算与语言
2019-09-02 v1
摘要
最近我们提出了跨度属性标注(SAT)模型(Du 等人,2019)来推断临床实体(如症状)及其属性(如持续时间)。它采用分层两阶段方法应对大标签空间和有限训练数据的挑战:在标注步骤中识别感兴趣跨度,在分类步骤中为跨度分配标签。我们将 SAT 模型扩展为联合推断实体及其属性以及它们之间的关係。大多数关系抽取模型限制推断少数相邻句子内词元之间的关系,主要是为避免高计算复杂度。相比之下,我们提出的 Relation-SAT(R-SAT)模型计算高效,且能推断横跨整段对话(平均时长 10 分钟)的关系。我们在临床对话语料库上评估了我们的模型。在给定实体的情况下,R-SAT 在识别症状与其属性之间的关系上超越基线约 32%(0.82 对 0.62 F 值),在药物与其属性上超越约 50%(0.60 对 0.41 F 值)。在更困难的联合推断实体与关系的任务上,R-SAT 模型在症状和药物上分别取得 0.34 和 0.45 的性能,显著优于基线模型的 0.18 和 0.35。我们通过消融分析量化了模型不同组件的贡献。
引用
@article{arxiv.1908.11536,
title = {Learning to Infer Entities, Properties and their Relations from Clinical Conversations},
author = {Nan Du and Mingqiu Wang and Linh Tran and Gang Li and Izhak Shafran},
journal= {arXiv preprint arXiv:1908.11536},
year = {2019}
}