基于社交媒体帖子的多任务药物警戒挖掘
机器学习
2018-02-19 v5 人工智能
计算与语言
摘要
社交媒体已成长为药物警戒研究的关键信息源，越来越多的人发布此前未报道的药品不良反应。为有效监控多样化表达的社交医疗帖子中不良反应(ADR)的各个方面，我们提出了一种多任务神经网络框架，以不同监督层级 collectively 学习若干与 ADR 监控相关的任务。除能正确分类 ADR 帖子并准确抽取在线帖子中的 ADR 表述外，该框架还能进一步理解服药原因，即给定社交媒体帖子中的“适应症(indication)”。我们的框架采用基于覆盖的注意力机制，以帮助模型恰当识别对帖子中多个词关注的“短语式”ADR 与适应症。该框架适用于不同药物警戒任务仅有有限平行数据可用的情形。我们在真实世界 Twitter 数据集上评估了所提框架，所提模型在各独立任务上一致优于 SOTA 替代方法。
引用
@article{arxiv.1801.06294,
title = {Multi-Task Pharmacovigilance Mining from Social Media Posts},
author = {Shaika Chowdhury and Chenwei Zhang and Philip S. Yu},
journal= {arXiv preprint arXiv:1801.06294},
year = {2018}
}
备注
Accepted in the research track of The Web Conference(WWW) 2018