基于地名词典融合的神经实体识别
计算与语言
2021-05-28 v1 人工智能
摘要
将外部知识融入命名实体识别（NER）系统已在通用领域得到广泛研究。本文关注临床领域，该领域仅有有限数据可用且可解释性十分重要。近期技术进展与临床试验的加速推动了新药、新手术以及新医疗状况的发现。这些因素促使我们构建鲁棒的零样本NER系统，以快速适应新的医学术语。我们提出一种辅助地名词典模型并将其与NER系统融合，从而在不同临床数据集上获得更好的鲁棒性与可解释性。我们的基于地名词典的融合模型数据高效，在使用20%训练数据时于i2b2数据集上取得+1.7的micro-F1提升，并对训练期间从未出现的新实体提及带来+4.7的micro-F1提升。此外，我们的融合模型无需重新训练即可快速适应地名词典中的新提及，且所提融合模型的收益可迁移至相关数据集。
引用
@article{arxiv.2105.13225,
title = {Neural Entity Recognition with Gazetteer based Fusion},
author = {Qing Sun and Parminder Bhatia},
journal= {arXiv preprint arXiv:2105.13225},
year = {2021}
}