May, 2023

通过 Hard Expectation-Maximization 迭代改进生物医学实体链接和事件提取

PDF
TL;DR本文提出了一种基于隐含变量的硬 EM 方法，联合进行生物医学实体链接和事件抽取，并通过 Genia 2011 和 BC4GO 两个基准数据集的实验结果展示了该方法在两个任务上均优于强基线模型。
发现论文，激发创造
  • 匹配联合学习：行业级生物医学事件抽取

    基于 BERT 预训练模型，我们提出了一种基于 n-ary 关系抽取方法来构建 Binding 事件的方法，以捕捉事件上下文和参与者的语义信息。实验结果表明，我们的方法在 BioNLP 共享任务的 GE11 和 GE13 语料库上分别达到了 63.14% 和 59.40% 的 F1 得分，表明通过显著提高 Binding 事件的性能，整体性能超过了传统的基于管道的事件抽取方法甚至超过了目前的联合学习方法。

    Mar, 2024

  • 文档上下文中实体和事件的联合提取

    本文提出了一个新的方法来建立事件、实体及它们关系变量之间的依赖关系，并在文档级别上执行联合推理，以使上下文的信息得到充分利用，实现上下文感知式的预测，并证明其大幅优于现有的事件提取和实体提取方法以及强基线。

    Sep, 2016

  • 从生物医学文本中无需提及级别监督即可同时连接实体并提取关系

    提出一种无需实体级别监督的实体链接和关系抽取模型，避免了流水线方法中产生的级联错误，并在两个生物医学数据集上优于最先进的实体链接和关系抽取流水线，极大地提高了系统的总体召回率。

    Dec, 2019

  • 使用分层知识图谱进行生物医学事件提取

    本文提出了一种基于 Graph Edge-conditioned Attention Networks 和 UMLS 的领域知识结合的分层图表示方法，用于增强句子中嵌套事件的抽取，其中每个句子首先通过联合建模的分层知识图地面化为一张句子图，并通过图神经网络 GEANet 对其进行传播来识别特定的 trigger 单词。该方法在 BioNLP2011 GENIA 事件抽取任务中，对于所有事件和复杂事件分别实现了 1.41％和 3.19％的 F1 增益。消融研究证实了 GEANet 和分层 KG 的重要性。

    Sep, 2020

  • 一体化建模：实体和事件的神经联合建模

    本篇论文提出了一种新的基于深度学习共享隐藏表示的模型，以联合预测实体提及、事件触发和参数，并进行实验验证表明，该方法具有最先进的事件提取性能。

    Dec, 2018

  • 基于注意力图信息聚合的联合多事件抽取

    本文提出了一种新的 Jointly Multiple Events Extraction (JMEE) 框架，采用语法快捷弧增强信息流和基于注意力机制的图卷积网络建模图信息，实现了同时提取多个事件触发器和参数，结果显示该框架与现有方法竞争性强。

    Sep, 2018

  • 基于联合学习的生物医学文献因果关系抽取

    本文提出了一种基于联合学习模型的生物医学因果关系提取方法，将实体关系提取和实体功能检测结合起来，以提高因果关系提取的性能，并且在模型训练阶段，为不同的功能类型分配不同的权重，实验结果表明，与其他系统相比，我们的联合学习系统在 BEL 语句提取中取得了最先进的表现。

    Aug, 2022

  • 重新审视跨文档实体和事件共指消解的联合建模

    本文提出了一种基于神经网络结构的跨文档匹配方法，能够有效地进行实体和事件的引用关系识别，其中考虑了实体和事件的上下文以及谓词 - 参数结构等因素。该方法在 ECB + 语料库上的表现优于之前的状态 - 最优事件 - coreference 模型，并提供了该语料库上的第一个实体 - coreference 结果。

    Jun, 2019

  • 基于相似度的增强记忆联合实体和关系抽取

    本文介绍了一种多任务学习框架，其中任务之间存在双向记忆依赖，并能更准确地进行文档级别的实体和关系抽取，实证研究表明该方法优于现有方法，并在 BioCreative V CDR 语料库上取得了最新成果。

    Jul, 2023

  • 基于聚类的生物医学实体链接推导

    该研究提出了一种基于聚类的推理模型，可以在生物医药领域的文本中实现实体链接，将多个提及归为一组，有望提高独立预测精度。

    Oct, 2020