通过知识导向实例生成和快速对比学习来识别少数的生物医学命名实体
Peng Chen1, Jian Wang1, Hongfei Lin1
1School of Computer Science and Technology, Dalian University of Technology, Dalian 116024, China.
Bioinformatics (Oxford, England)
|August 7, 2023
概括
由于数据有限,生物医学命名实体识别 (BioNER) 的少数射击学习具有挑战性. 这项研究引入了一种新的以知识为导向的方法,可以显著提高BioNER在低资源环境中的性能.
科学领域:
- 生物医学信息学 生物医学信息学
- 自然语言处理自然语言处理.
- 机器学习 机器学习
背景情况:
- 对于生物医学命名实体识别 (BioNER) 的少量射击学习尚未得到充分探索.
- 在BioNER的低资源场景中,标记数据有限,阻碍了模型的概括.
- 现有的方法面临的挑战是域移动和低质量的合成数据.
研究的目的:
- 为了解决BioNER中少数人学习的挑战.
- 在资源较少的环境中为BioNER开发一个强大的框架.
- 以最小的标记数据来提高BioNER模型的性能和概括性.
主要方法:
- 提出了一个以知识为导向的实例生成方法,利用域知识图.
- 基于邻近节点的语义关系生成多样化和新的实体.
- 将BioNER作为一个使用提问提示的问答任务,并引入了快速对比式学习.
主要成果:
- 拟议的框架在各种少数镜头设置中实现了卓越的性能.
- 在低资源场景 (20个样本) 中,与最先进的模型相比显著改善.
- 在四个基准数据集上实现了高达7.1%的平均F1得分的改善.
结论:
- 这种以知识为导向的方法有效地增强了BioNER.
- 快速的对比学习提高了模型的稳定性和性能.
- 该框架为BioNER在数据稀缺的生物医学领域提供了一个有希望的解决方案.


