用于药物、疾病与临床实体识别的统一神经架构
计算与语言
2017-08-14 v1
摘要
现有的生物医学实体识别任务的大多数方法依赖于显式特征工程，其中许多特征要么特定于某一任务，要么依赖于其他现有 NLP 工具的输出。神经架构在各个领域已表明可以减少显式特征设计的工作量。在这项工作中，我们提出了一个使用双向长短期记忆网络 (BLSTM) 的统一框架，用于生物医学和临床领域的命名实体识别 (NER) 任务。该框架的三个重要特征如下：(1) 模型在层次结构中使用两个不同的 BLSTM 来学习上下文特征和形态学特征；(2) 模型在其输出层中级联 BLSTM，使用一阶线性条件随机场 (CRF) 来推断标签或标记序列；(3) 模型不使用任何领域特定特征或字典，换言之，在三个 NER 任务中使用了相同的特征集，即疾病名称识别 (Disease NER)、药物名称识别 (Drug NER) 和临床实体识别 (Clinical NER)。我们在三个任务的标准基准数据集上将所提出模型的性能与现有的 SOTA 模型进行了比较。我们通过实验证明，所提出的框架优于所有现有模型。此外，我们对 CRF 层和通过基于字符的嵌入获得的词嵌入的分析表明了它们的重要性。
引用
@article{arxiv.1708.03447,
title = {Unified Neural Architecture for Drug, Disease and Clinical Entity Recognition},
author = {Sunil Kumar Sahu and Ashish Anand},
journal= {arXiv preprint arXiv:1708.03447},
year = {2017}
}
备注
23 pages, 2 figures