从生物医学与临床文本中抽取关系：统一多任务学习框架
计算与语言
2020-09-22 v1
摘要
为尽量减少在生物医学文献检索上投入的日益增长的时间，已提出众多自动化知识抽取方法。关系抽取即是其中一项从自由文本中识别实体间语义关系的任务。在生物医学领域，调控通路、代谢过程、药物不良反应或疾病模型的抽取需要来自个体关系的知识，例如基因、蛋白质、药物、化学物质、疾病或表型之间的物理或调控相互作用。本文研究来自三个主要生物医学与临床任务的关系抽取，即药物-药物相互作用、蛋白质-蛋白质相互作用与医学概念关系抽取。为此，我们将关系抽取问题建模于多任务学习（MTL）框架中，并首次引入结构化自注意力网络的概念，辅以对抗学习方法，用于从生物医学与临床文本中预测关系。MTL 的基本理念是通过利用共享表示的概念同时学习多个问题。此外，我们还生成了高效单任务模型，其利用在注意力门控循环单元上学习到的最短依存路径嵌入，以与我们提出的 MTL 模型比较。我们提出的框架在不损害所有任务性能的前提下，显著改进了用于关系预测的基线（深度学习技术）与单任务模型。
引用
@article{arxiv.2009.09509,
title = {Relation Extraction from Biomedical and Clinical Text: Unified Multitask Learning Framework},
author = {Shweta Yadav and Srivatsa Ramesh and Sriparna Saha and Asif Ekbal},
journal= {arXiv preprint arXiv:2009.09509},
year = {2020}
}
备注
Accepted for publication at IEEE/ACM Transaction on Computational Biology and Bioinformatics