DUT-LiuYang / biomedical-argument-extraction

biomedical-argument-extraction

生物医学事件要素(argument)识别

项目介绍

I will give a description of this project after the paper is published.

事件要素的定义

一个事件由一个触发词和若干个要素构成。

触发词的类型反映了事件的类型，通常为动词或者动名词。而事件的要素指的是事件的参与者，
通常为句子中的实体或者另一个事件。

如下图所示，该示例中包含两个事件：
第一个事件为Development事件（表示为E1），包含一个触发词“formation”和其对应的Theme类型的要素“capillary tubes”；
第二个事件为Negative Regulation事件（表示为E2），包含一个触发词“inhibited”，一个Cause类型要素“Thalidomide”和一个Theme类型要素E1。

两个事件的结构化表示为：
Event E1 (Type: Development, Trigger: formation, Theme: capillary tubes);
Event E2 (Type: Negative_regulation, Trigger: inhibited, Theme: Event E1, Cause: Thalidomide)。
其中事件E2为嵌套事件，因为它的Theme要素同样为一个事件。

一般来说，识别要素的时候，需要将事件的参与者与所在事件的触发词对应起来。
本项目中，将对应后的触发词和事件参与者称作要素。

模型介绍

• relation_attention: attention + type clues
• relation_attention_b: attention
• relation_baseline: sentence clues + type clues (inputs contain entity information)
• relation_baseline_b: sentence clues + type clues
• relation_baseline_c: sentence clues + type clues (inputs only contain word embeddings)
• relation_interaction: a mysterious model
• relation_mask: trigger + argument + type clues
• relation_mask_attention: attention + trigger + argument + type clues
• relation_mask_b: trigger + argument
• relation_mask_c: trigger + argument (no position embeddings)
• relation_pure_attention: attention
• relation_pure_baseline: sentence
• relation_fusion: a mysterious model
• relation_fusion_b: a mysterious model
• ta_ty_attention: 同时使用语义信息和类型组合信息的多注意力机制

运行方法

原谅我的习惯，这次依然没有提供一键运行流程，但是运行依然很简单， 先运行DataIntegration.py生成数据即可，接下来可以运行任意一个模型文件。

关于

未来数据研究所.LiuYang