半监督循环神经网络用于药物不良反应提及抽取
信息检索
2017-09-07 v1 计算与语言
摘要
由于其广泛的覆盖面，社交媒体是分享健康相关信息的有效平台。这使其成为公共卫生监测任务，特别是药物警戒的良好候选。我们研究从社交媒体（尤其是推特）中抽取药物不良反应（ADR）提及的问题。与更技术性和正式的医疗报告相比，从社交媒体进行医疗信息抽取具有挑战性，主要由于文本的简短和高度信息化性质。当前 ADR 提及抽取方法依赖于监督学习方法，其受限于标注数据稀缺问题。最先进的方法使用深度神经网络，特别是循环神经网络（RNN）中的长短期记忆网络（LSTM）\cite{hochreiter1997long}。深度神经网络由于其大量自由参数，严重依赖大型标注语料库来学习最终任务。但在现实世界中，很难获得大型标注数据，主要由于人工标注的高成本。为此，我们提出一种新颖的基于半监督学习的 RNN 模型，其能够利用社交媒体上同样丰富的未标注数据。通过实验我们证明了方法的有效性，在 ADR 提及抽取中达到了最先进的性能。
引用
@article{arxiv.1709.01687,
title = {Semi-Supervised Recurrent Neural Network for Adverse Drug Reaction Mention Extraction},
author = {Shashank Gupta and Sachin Pawar and Nitin Ramrakhiyani and Girish Palshikar and Vasudeva Varma},
journal= {arXiv preprint arXiv:1709.01687},
year = {2017}
}
备注
Accepted at DTMBIO workshop, CIKM 2017. To appear in BMC Bioinformatics. Pls cite that version