生物医学事件因果关系提取与深度知识融合和基于Roberta的数据增强
Lishuang Li1, Yi Xiang1, Jing Hao1
1School of Computer Science and Technology, Dalian University of Technology, Dalian, 116024, China.
Methods (San Diego, Calif.)
|September 6, 2024
概括
本研究引入了一种新的生物医学事件因果关系提取方法 (BECRE),使用深度知识融合和数据增强. 该方法增强了关系发现,解决了数据不平衡,实现了最先进的结果.
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.
- 计算生物学 计算生物学
背景情况:
- 生物医学事件因果关系提取 (BECRE) 对于理解生物医学文本至关重要.
- 现有的BECRE方法因功能有限和数据不平衡问题而扎.
- 对于数据不平衡的传统过量采样方法忽视了数据多样性.
研究的目的:
- 提出一种新的BECRE方法,以解决现有方法的局限性.
- 加强生物医学事件之间的因果关系的提取.
- 改善数据多样性,克服BECRE数据集中的不平衡.
主要方法:
- 深度知识融合包括结构事件表示和实体关系路径.
- 利用图形卷积神经网络 (GCN) 和预测张量模型进行事件表示.
- 采用三重注意力机制来融合知识表示.
- 对不平衡数据集实施基于罗伯塔的数据增强策略.
主要成果:
- 拟议的方法在汉·威尔和BioCause数据集上实现了最先进的性能.
- 深度知识融合有效地建立了生物医学事件之间的语义联系.
- 基于Roberta的数据增强成功地解决了数据不平衡,同时促进了多样性.
结论:
- 新的BECRE方法在当前的进步中表现出卓越的性能.
- 深度知识融合和先进的数据增强对BECRE有效.
- 该方法为从生物医学文献中提取因果关系提供了显著的改进.
