化学物质诱导疾病关系抽取:基于证据聚焦的图推理方法

• Published in: 计算机科学 Vol. 51; no. 10; pp. 351 - 361
• Main Authors: 周雪阳, 傅启明, 陈建平, 陆悠, 王蕴哲
• Format: Journal Article
• Language: Chinese
• Published: 苏州科技大学建筑与城市规划学院 江苏苏州 215009 2024; 苏州科技大学江苏省建筑智慧节能重点实验室 江苏苏州 215009%苏州科技大学江苏省建筑智慧节能重点实验室 江苏苏州 215009; 苏州科技大学电子与信息工程学院 江苏苏州 215009
• Subjects: 生物医学; Relation extraction; 自注意力机制; Self-attention mechanism; Biomedicine; Evidence focusing; 证据聚焦; 关系抽取; Reinforcement learning; 强化学习
• ISSN: 1002-137X
• DOI: 10.11896/jsjkx.230800111

TP391.1; 针对现有方法在挖掘化学物质与疾病之间的相互作用关系时存在过多地关注全局信息而忽略少量的证据线索和局部提及交互的问题,提出了一种基于证据聚焦的提及水平文档级关系抽取方法(Evidence Focused Mention U-shaped Network,EF-MUnet).该方法首先基于上下文感知策略建模提及特征,并利用二维卷积捕获邻近提及之间的局部交互;其次为避免无关上下文的干扰,提出两种证据聚焦策略ATT-EF和RL-EF,前者将相似度作为证据线索的衡量指标,后者基于强化学习利用延迟反馈无监督地学习最优证据提取策略;最后使用U-net网络捕获实体水平的全局特征,充分挖掘语义关系.实验结果表明,与已有方法相比,EF-MUnet在生物医学数据集CDR上的F1评价指标提升了 9.7％,并且对于句间关系的抽取更具有优势.此外,在抽取药物突变相互作用的数据集DMI上,EF-MUnet也取得了最高98.6％的准确率,证明了它是一种有效的生物医学关系抽取方法并具有较好的泛化能力.