基于字典的匹配图形网络用于生物医学命名实体识别

科学领域:

• 生物医学信息学是生物医学信息学.
• 自然语言处理自然语言处理.
• 机器学习 机器学习

背景情况:

• 生物医学命名实体识别 (BioNER) 对于分析生物医学文本至关重要.
• 深度神经网络对于BioNER来说很常见,经常使用生物医学字典.
• 现有的词典方法具有性能限制.

研究的目的:

• 提出一个新的基于字典的匹配图形网络,以增强BioNER.
• 改进生物医学词典信息在实体识别中的利用.

主要方法:

• 为BioNER开发了一个基于字典的匹配图形网络.
• 预测的字典组合在一个定向图上.
• 将匹配图与双向图形卷积网络 (BiGCN) 集成.

主要成果:

• 在五个Bio-NER数据集上取得了显著的F1得分改善.
• 与最先进的模型相比,表现出卓越的性能.
• 具体的改善包括2.8%的BC2GM,1.3%的BC4CHEMD,1.1%的BC5CDR,1.6%的NCBI疾病和0.5%的JNLPBA.

结论:

• 拟议的基于字典的匹配图形网络有效地识别生物医学命名实体.
• 这种方法为简单的掩盖词典方法提供了更好的替代方案.
• 该模型显示了推动生物医学信息分析的巨大潜力.