生物醫(yī)學(xué)因果關(guān)系抽取是BioCreative社區(qū)提出的一項評測任務(wù),旨在挖掘生物醫(yī)學(xué)實體間豐富的語義關(guān)系,并用生物醫(yī)學(xué)表征語言(biological expression language, BEL)來表示。與傳統(tǒng)的實體關(guān)系抽取不同,該任務(wù)不僅包含實體間因果關(guān)系的抽取,還包含實體功能的識別。此前已經(jīng)提出了一些該任務(wù)的解決方法,但均未考慮這兩個子任務(wù)間的關(guān)聯(lián)性。該文基于多任務(wù)的思想,提出一種二元關(guān)系抽取和一元功能識別共同決策的聯(lián)合學(xué)習(xí)模式。首先兩個任務(wù)共享底層向量表示,然后利用長短期記憶(long short-term memory, LSTM)網(wǎng)絡(luò)和門控機制學(xué)習(xí)兩個任務(wù)之間的交互表示,最后分別進行分類預(yù)測。實驗結(jié)果表明,該方法能夠融合兩個子任務(wù)的信息,在2015 BC-V測試集上獲得了45.3%的F值。

【文章頁數(shù)】：9 頁

【部分圖文】：

目前,生物醫(yī)學(xué)領(lǐng)域?qū)＜抑贫艘恍┱Z言標(biāo)準(zhǔn)來形式化表示生物醫(yī)學(xué)發(fā)現(xiàn),包括SystemsBiologyMarkupLanguage(SBML)[1],BiologicalPathwayExchangeLanguage(BioPAX)[2],BiologicalExpr....

模型的輸入即詞序列,關(guān)系抽取任務(wù)的輸入是整個句子序列,為了降低詞噪聲的影響,我們選取實體周圍的16個詞序列作為功能識別任務(wù)的輸入。在嵌入層,輸入序列轉(zhuǎn)化為嵌入特征對應(yīng)的表征向量。嵌入特征包括詞特征和位置特征。對于關(guān)系抽取任務(wù)來講,位置特征是詞與兩個實體的距離,而功能識別任務(wù)里的位....

本文引入?yún)?shù)α(α∈(0,1])表征功能識別任務(wù)的權(quán)重。為了確定α值,本文在樣例集上評估了不同α值對語句層面性能的影響,圖3列出了當(dāng)α取不同值時,樣例集語句層面的F1值。從圖3可以看出,當(dāng)α取0.3時,樣例集上的性能達到最高值23.1%。2.4.4與基準(zhǔn)工作的對比

第四章基于關(guān)系抽取和功能檢測聯(lián)合學(xué)習(xí)的因果關(guān)系抽取?面向生物醫(yī)學(xué)領(lǐng)域的復(fù)雜實體關(guān)系抽取??４．３聯(lián)合學(xué)習(xí)抽取模型??由于ＢＥＲＴ模型系列ｔ％，尤其是Ｂｉ〇ＢＥＲＴ［４８ｌ在生物醫(yī)學(xué)領(lǐng)域的關(guān)系抽取中所??取得的巨大成功，因此本文采用ＢｉｏＢＥＲＴ模型作為聯(lián)合學(xué)習(xí)的基本框架。ＢＥＲＴ....

本文編號：3966294