在无提及级监督下同时从生物医学文本中链接实体与抽取关系
计算与语言
2019-12-04 v1 信息检索
机器学习
摘要
理解文本含义通常涉及对实体及其关系的推理。这需要识别实体的文本提及，将其链接到规范概念，并辨别它们之间的关系。这些任务几乎总是被视为流水线中的独立组件，每个都需要不同的模型和训练数据。虽然关系抽取通常可以用现成的弱监督或远程监督进行训练，但实体链接器通常需要昂贵的提及级监督——这在许多领域中并不可用。相反，我们提出了一种模型，该模型被训练为同时产生实体链接和关系决策，同时不需要任何提及级标注。这种方法避免了流水线方法产生的级联错误，并更准确地从文本中预测实体关系。我们表明，我们的模型在两个生物医学数据集上优于最先进的实体链接与关系抽取流水线，并能大幅提高系统的整体召回率。
引用
@article{arxiv.1912.01070,
title = {Simultaneously Linking Entities and Extracting Relations from Biomedical Text Without Mention-level Supervision},
author = {Trapit Bansal and Pat Verga and Neha Choudhary and Andrew McCallum},
journal= {arXiv preprint arXiv:1912.01070},
year = {2019}
}
备注
Accepted in AAAI 2020