Mar, 2024

匹配联合学习：行业级生物医学事件抽取

PDF
TL;DR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。
biomedical event extractionbert pre-training modeln-ary relation extractionbinding eventspipelined event extraction approach
发现论文，激发创造
  • 通过 Hard Expectation-Maximization 迭代改进生物医学实体链接和事件提取

    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。

    May, 2023

  • 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

  • 基于双向递归神经网络模型的生物医学事件触发识别

    本文提出一种利用递归神经网络和词语和实体类型嵌入作为特征提取高层特征的方法，避免使用各种自然语言处理工具生成的复杂手工特征。我们的实验显示在多层事件抽取 (MLEE) 语料库上达到了最先进的 F1 得分，并对结果进行了类别分析和讨论了在触发器识别任务中各种特征的重要性。

    May, 2017

  • 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

  • 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

  • EventGraph：事件提取作为语义图解析

    本文介绍了 EventGraph，一种将事件编码为图形的联合框架，通过将触发事件和参数表示为语义图形中的节点，以此来解决事件提取的问题，并表明该模型在 ACE2005 上达到了和最先进的系统一样的结果，并且在参数提取方面有了显著的改善。

    Oct, 2022

  • 使用图卷积网络沿最短依赖路径进行联合事件抽取

    本文提出了一种基于短依赖路径的关注图卷积网络的联合事件抽取框架，该框架可同时抽取多个事件触发器和参数，并捕捉参数之间的关联信息，实现对长距离依赖关系的建模，达到了与最先进方法的实质性改进。

    Mar, 2020

  • 查询和提取：基于类型导向二进制解码的事件抽取优化

    本文提出了一种新的事件提取框架，该框架使用事件类型和参数角色作为自然语言查询，从输入文本中提取候选触发器和参数。通过查询中的丰富语义，我们的框架受益于注意机制，以更好地捕捉事件类型或参数角色与输入文本之间的语义相关性。此外，查询和提取公式允许我们的方法将来自各种本体的所有可用事件注释作为统一模型来利用。在 ACE 和 ERE 上的实验表明，本方法在每个数据集上均取得了最先进的性能，并在零 - shot 事件提取上显著优于现有方法。

    Oct, 2021

  • 条件生成实现的文档级事件论元抽取

    本文提出了一种文档级神经事件关系抽取模型，将其作为一种条件生成的过程，并使用事件模板。此外，作者构建了一个新的包含完整事件和共指注释的文档级事件抽取数据集 WikiEvents。研究结果表明，该模型在事件论证抽取方面取得了较好的性能，并展示了零样本事件提取框架的可移植性。

    Apr, 2021

  • 无监督的标签感知事件触发词和论元分类

    本文提出了一种无监督事件抽取流程，使用先进的预训练语言模型并匹配语义，有效将事件映射到预定义的事件类型上，最终表现出色，成功地将 83% 的触发器和 54% 的参数映射到了正确类型。

    Dec, 2020