MC-DRE：面向药物事件/实体抽取的多方面交叉集成方法
计算与语言
2023-08-16 v2 人工智能
摘要
抽取有意义的药物相关信息块，如药物不良事件（ADE），对预防发病和挽救生命至关重要。大多数 ADE 通过带有医疗上下文的非结构化对话报告，因此应用通用实体识别方法尚不充分。本文中，我们通过捕获并对齐药物相关文档中不同的上下文/语言/知识属性，提出一种新的用于药物实体/事件检测的多方面交叉集成框架。我们首先构建多方面编码器，通过执行槽位标注任务、主要药物实体/事件检测、词性标注和通用医学命名实体识别，来描述语义、句法和医学文档上下文信息。随后，每个编码器以三种方式与其他上下文信息进行交叉集成：键值交叉、注意力交叉和前馈交叉，从而使多编码器深度集成。我们的模型在两个广泛使用的任务——扁平实体检测与不连续事件抽取上优于所有 SOTA。
引用
@article{arxiv.2308.06546,
title = {MC-DRE: Multi-Aspect Cross Integration for Drug Event/Entity Extraction},
author = {Jie Yang and Soyeon Caren Han and Siqu Long and Josiah Poon and Goran Nenadic},
journal= {arXiv preprint arXiv:2308.06546},
year = {2023}
}
备注
Accepted at CIKM 2023