《表1 DDI和PPI数据实例展示》
近年来,深度学习方法被广泛应用于实体关系抽取任务中。例如,在通用领域中,Zeng[2]等结合词向量和相对位置向量特征,使用卷积神经网络(Convolutional Neural Network,CNN)进行关系抽取。Zhang[3]等在Zeng等使用的特征之外,还引入了词性特征、命名实体特征以及基于斯坦福句法解析器的句法特征,使用双向长短期记忆网络(Bi-directional Long-Short Term Memory,BiLSTM)来解决关系抽取问题。Vu[4]等分别使用卷积神经网络和循环神经网络(Recurrent Neural Network,RNN)提取基于句子序列的关系,然后使用决策后处理来结合卷积神经网络和循环神经网络的结果。在生物医学领域的关系抽取任务中,李丽双[5]等利用词表示和深层神经网络抽取蛋白质之间的交互关系(Protein-Protein Interaction,PPI);Zhang[6]等结合卷积神经网络和循环神经网络进行药物交互关系(Drug-Drug Interaction,DDI)抽取。虽然这些方法在生物医学关系抽取任务上已经取得了较好的效果,但是在训练模型时往往只关注某一特定任务。然而在生物医学关系抽取任务之间,常常存在着一定的相关性。表1给出了一些DDI和PPI示例(浅色字体表示候选实体对,深色字体表示关系触发词),可以看到DDI和PPI示例的句1和句2都使用了“interaction”和“effect”触发词来表述两个实体之间的交互关系。而目前基于单任务的关系抽取方法忽略了这些任务之间的关联性,使得模型的泛化能力有限。因此本文对基于多任务学习[7]的实体关系抽取方法进行了探索。
图表编号 | XD0070615000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.01 |
作者 | 李青青、杨志豪、罗凌、林鸿飞、王健 |
绘制单位 | 大连理工大学计算机科学与技术学院、大连理工大学计算机科学与技术学院、大连理工大学计算机科学与技术学院、大连理工大学计算机科学与技术学院、大连理工大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |