《表1 DDI和PPI数据实例展示》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多任务学习的生物医学实体关系抽取》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。