用于从药品说明书中抽取药物交互信息的注意力门控图卷积
机器学习
2019-10-29 v1 机器学习
摘要
由医疗差错导致的可预防不良事件在医疗系统中日益受到关注。由于药物-药物交互（DDIs）可能导致可预防不良事件，将 DDI 从药品说明书中抽取为机器可处理的形式是有效传播药物安全信息的重要一步。在本研究中，我们解决从药品说明书中联合抽取药物及其交互（包括交互结果）的问题。我们的深度学习方法需要组合多种中间表示，包括基于序列和基于图的上下文，其中后者使用带有新颖注意力门控机制的图卷积（GC）导出（整体称为 GCA）。这些表示随后以有意义的方式组合以联合处理所有子任务。为克服训练数据稀缺，我们额外提出通过在相关 DDI 数据上预训练来进行迁移学习。我们的模型在 2018 TAC DDI 语料库上训练和评估。我们的 GCA 模型结合迁移学习在第一个官方测试集上实体识别（ER）和关系抽取（RE）分别达到 39.20% F1 和 26.09% F1，在第二个官方测试集上 ER 和 RE 分别达到 45.30% F1 和 27.87% F1，相较我们之前的最佳结果提升多达 6 个绝对 F1 点。在控制可用训练数据后，我们的模型表现出最先进的性能，在两个官方测试集的 ER 和 RE 评估中分别比下一个可比较的最佳结果提高约 3 个 F1 点和 1.5 个 F1 点。
引用
@article{arxiv.1910.12424,
title = {Online Continuous Submodular Maximization: From Full-Information to Bandit Feedback},
author = {Mingrui Zhang and Lin Chen and Hamed Hassani and Amin Karbasi},
journal= {arXiv preprint arXiv:1910.12424},
year = {2019}
}
备注
Accepted by NeurIPS 2019