有效的基于类型标签的协同表示学习,用于生物医学事件触发器检测
Anran Hao1,2, Haohan Yuan1, Siu Cheung Hui3
1School of Computer Science and Engineering, Nanyang Technological University, 50 Nanyang Avenue, Singapore, Singapore.
BMC bioinformatics
|July 31, 2024
概括
本研究介绍了基于生物医学标签的协同表示学习 (BioLSL) 模型,用于改进生物医学事件触发器检测. 在没有外部资源的情况下,BioLSL通过学习标签和文本之间的语义关系来提高性能.
科学领域:
- 生物医学自然语言处理
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 生物医学事件触发器检测是具有挑战性的,因为域特定的语言.
- 当前的模型往往依赖于外部资源,限制了它们使用标签语义的能力.
- 标签表示学习提供了一个有希望的途径,通过利用标签语义来增强触发器检测.
研究的目的:
- 提出一个新的模型,BioLSL,用于生物医学事件触发器检测.
- 有效地利用事件类型标签和句子上下文,以改善检测.
- 开发一种不依赖外部资源的模式.
主要方法:
- 开发了基于生物医学标签的协同表示学习 (BioLSL) 模型.
- 采用特定领域的变压器来共同编码句子和标签.
- 实现了基于标签的协同表示学习,以创建标签触发器意识的表示 (LTAR) 和标签上下文意识的表示 (LCAR).
主要成果:
- 在三个基准BioNLP数据集 (MLEE,GE09,GE11) 上,BioLSL模型实现了最先进的性能.
- 在生物医学事件触发器检测方面,BioLSL的表现优于现有的基线模型.
- 该模型表现出强的性能,即使训练数据有限.
结论:
- 生物LSL模型有效地检测生物医学事件触发器,而不需要外部资源.
- 标签表示学习和上下文意识增强是这项任务的有效策略.
- 生物LSL成功地捕捉了事件提及和类型标签之间的语义联系,这对于生物医学文本至关重要.
