論文の概要: The Joint Entity-Relation Extraction Model Based on Span and Interactive Fusion Representation for Chinese Medical Texts with Complex Semantics
- arxiv url: http://arxiv.org/abs/2502.09247v1
- Date: Thu, 13 Feb 2025 12:03:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-14 13:50:25.868563
- Title: The Joint Entity-Relation Extraction Model Based on Span and Interactive Fusion Representation for Chinese Medical Texts with Complex Semantics
- Title(参考訳): 複雑な意味をもつ中国医学テキストのスパンと相互融合表現に基づく統合エンティティ関係抽出モデル
- Authors: Danni Feng, Runzhi Li, Jing Wang, Siyu Yan, Lihong Ma, Yunli Xing,
- Abstract要約: 共同エンティティ関係抽出は、非構造化テキストや半構造化テキストを三重項に変換する上で重要なタスクである。
医療用テキストの複雑さを捉えるために設計された,中国の薬物・薬物相互作用データセットCH-DDIを紹介する。
複雑な文脈意味情報の抽出を容易にするSEAモジュールを提案する。
- 参考スコア(独自算出の注目度): 2.3873713384588378
- License:
- Abstract: Joint entity-relation extraction is a critical task in transforming unstructured or semi-structured text into triplets, facilitating the construction of large-scale knowledge graphs, and supporting various downstream applications. Despite its importance, research on Chinese text, particularly with complex semantics in specialized domains like medicine, remains limited. To address this gap, we introduce the CH-DDI, a Chinese drug-drug interactions dataset designed to capture the intricacies of medical text. Leveraging the strengths of attention mechanisms in capturing long-range dependencies, we propose the SEA module, which enhances the extraction of complex contextual semantic information, thereby improving entity recognition and relation extraction. Additionally, to address the inefficiencies of existing methods in facilitating information exchange between entity recognition and relation extraction, we present an interactive fusion representation module. This module employs Cross Attention for bidirectional information exchange between the tasks and further refines feature extraction through BiLSTM. Experimental results on both our CH-DDI dataset and public CoNLL04 dataset demonstrate that our model exhibits strong generalization capabilities. On the CH-DDI dataset, our model achieves an F1-score of 96.73% for entity recognition and 78.43% for relation extraction. On the CoNLL04 dataset, it attains an entity recognition precision of 89.54% and a relation extraction accuracy of 71.64%.
- Abstract(参考訳): 共同エンティティ関係抽出は、構造化されていないあるいは半構造化されたテキストを三重項に変換し、大規模知識グラフの構築を容易にし、様々な下流アプリケーションをサポートするための重要なタスクである。
その重要性にもかかわらず、漢文の研究、特に医学などの専門分野における複雑な意味論の研究は限られている。
このギャップに対処するために、医療用テキストの複雑さを捉えるために設計された中国の薬物・薬物相互作用データセットCH-DDIを導入する。
長距離依存を捕捉する際の注意機構の強みを生かし、複雑な文脈意味情報の抽出を強化し、エンティティ認識と関係抽出を改善するSEAモジュールを提案する。
さらに,エンティティ認識と関係抽出の情報交換を容易にする既存手法の非効率性に対処するため,対話型融合表現モジュールを提案する。
このモジュールは、タスク間の双方向情報交換にクロスアテンションを使用し、BiLSTMによる特徴抽出をさらに洗練する。
CH-DDIデータセットと公開CoNLL04データセットの両方の実験結果から,本モデルが強力な一般化能力を示すことが示された。
CH-DDIデータセットでは、エンティティ認識では96.73%、関係抽出では78.43%のF1スコアが得られる。
CoNLL04データセットでは、エンティティ認識精度89.54%、関係抽出精度71.64%に達する。
関連論文リスト
- Learning to Extract Structured Entities Using Language Models [52.281701191329]
機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。
タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。
我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
論文 参考訳(メタデータ) (2024-02-06T22:15:09Z) - EMBRE: Entity-aware Masking for Biomedical Relation Extraction [12.821610050561256]
本稿では,関係抽出のためのEMBRE (Entity-Aware Masking for Biomedical Relation extract) 法を提案する。
具体的には、バックボーンモデルとエンティティマスキングの目的を事前学習することにより、エンティティ知識をディープニューラルネットワークに統合する。
論文 参考訳(メタデータ) (2024-01-15T18:12:01Z) - Joint Extraction of Uyghur Medicine Knowledge with Edge Computing [1.4223082738595538]
CoEx-Bertはエッジコンピューティングにおけるパラメータ共有を伴う共同抽出モデルである。
ウグルの伝統的な医療データセットでは、精度、リコール、F1スコアはそれぞれ90.65%、92.45%、91.54%である。
論文 参考訳(メタデータ) (2024-01-13T08:27:24Z) - Exploring Attention Mechanisms in Integration of Multi-Modal Information for Sign Language Recognition and Translation [2.634214928675537]
本稿では,相互注意に基づくプラグインモジュールを提案する。
我々は手話認識のためのRWTH-PHOENIX-2014データセットと手話翻訳タスクのためのRWTH-PHOENIX-2014Tデータセットの性能評価を行った。
論文 参考訳(メタデータ) (2023-09-04T23:31:29Z) - Multi-Grained Multimodal Interaction Network for Entity Linking [65.30260033700338]
マルチモーダルエンティティリンクタスクは、マルチモーダル知識グラフへの曖昧な言及を解決することを目的としている。
MELタスクを解決するための新しいMulti-Grained Multimodal InteraCtion Network $textbf(MIMIC)$ frameworkを提案する。
論文 参考訳(メタデータ) (2023-07-19T02:11:19Z) - Integrating Heterogeneous Domain Information into Relation Extraction: A
Case Study on Drug-Drug Interaction Extraction [1.0152838128195465]
この論文は、文献からの薬物と薬物の相互作用(DDI)をケーススタディとして扱う。
深部神経関係抽出モデルを作成し、その注意機構を解析する。
異種情報をさらに活用するために、タンパク質エントリ、医療用語、経路などの薬物関連項目を収集する。
論文 参考訳(メタデータ) (2022-12-21T01:26:07Z) - SAIS: Supervising and Augmenting Intermediate Steps for Document-Level
Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。
そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文 参考訳(メタデータ) (2021-09-24T17:37:35Z) - D-REX: Dialogue Relation Extraction with Explanations [65.3862263565638]
この研究は、部分的にラベル付けされたデータのみを使用しながら関係が存在することを示す説明を抽出することに焦点を当てている。
本稿では,政策誘導型半教師付きアルゴリズムD-REXを提案する。
約90%の人は、強いBERTに基づく関節関係抽出と説明モデルよりもD-REXの説明を好んでいる。
論文 参考訳(メタデータ) (2021-09-10T22:30:48Z) - A Trigger-Sense Memory Flow Framework for Joint Entity and Relation
Extraction [5.059120569845976]
結合エンティティと関係抽出のためのTriMF(Trigger-Sense Memory Flow Framework)を提案する。
エンティティ認識と関係抽出タスクで学習したカテゴリ表現を記憶するためのメモリモジュールを構築する。
また,エンティティ認識と関係抽出の双方向インタラクションを強化するために,多レベルメモリフロー注目機構を設計する。
論文 参考訳(メタデータ) (2021-01-25T16:24:04Z) - Cross-Supervised Joint-Event-Extraction with Heterogeneous Information
Networks [61.950353376870154]
Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。
トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。
我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-10-13T11:51:17Z) - Leveraging Semantic Parsing for Relation Linking over Knowledge Bases [80.99588366232075]
本稿では,AMRを用いた意味解析と遠隔監視を利用した関係リンクフレームワークであるSlingを提案する。
Slingは複数の関係リンクアプローチを統合し、言語的手がかり、豊かな意味表現、知識ベースからの情報などの補完的な信号をキャプチャする。
QALD-7, QALD-9, LC-QuAD 1.0という3つのKBQAデータセットを用いた関係リンク実験により, 提案手法が全てのベンチマークで最先端の性能を達成することを示す。
論文 参考訳(メタデータ) (2020-09-16T14:56:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。