基于詞義增強的生物醫(yī)學(xué)命名實體識別方法

陳夢萱，陳艷平，扈應(yīng)，黃瑞章，秦永彬

（1.貴州大學(xué) 公共大數(shù)據(jù)國家重點實驗室，貴陽 550025；2.貴州大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，貴陽 550025）

0 概述

隨著生物醫(yī)學(xué)文檔數(shù)量的迅速增長，生物醫(yī)學(xué)信息抽取變得越來越重要。實體作為句子的主體，包含了豐富的語義信息，因此，命名實體識別在生物醫(yī)學(xué)文本的理解和處理過程中具有非常重要的意義。生物醫(yī)學(xué)命名實體識別（Biomedical Named Entity Recognition，BioNER）指識別文本中的基因、蛋白質(zhì)、化學(xué)藥品、疾病等生物醫(yī)學(xué)實體。

深度學(xué)習(xí)技術(shù)在自然語言處理（Natural Language Processing，NLP）中的應(yīng)用促進了生物醫(yī)學(xué)信息抽取的發(fā)展。然而，將最先進的NLP 方法直接應(yīng)用于生物醫(yī)學(xué)信息抽取時效果并不理想，一個重要原因是通用的預(yù)訓(xùn)練語言模型主要在包含一般領(lǐng)域文本的語料庫上訓(xùn)練和測試，而生物醫(yī)學(xué)語料庫和一般領(lǐng)域語料庫的詞分布有很大差異。因此，越來越多的研究人員通過在生物醫(yī)學(xué)語料庫上訓(xùn)練通用預(yù)訓(xùn)練語言模型得到生物醫(yī)學(xué)領(lǐng)域特定的預(yù)訓(xùn)練語言模型，如BioELMo［1］、KeBioLM［2］、ClinicalBERT［3］、BlueBERT［4］、SciBERT［5］、BioBERT［6］等。這些模型大多采用WordPiece 標記化方法處理未登錄詞，即將未登錄詞以頻繁出現(xiàn)的語素來表示（如peri-kappa-＞per、##i、-、ka、##ppa），在很大程度上緩解了未登錄詞表示信息不足的問題。

BioBERT 是目前在生物醫(yī)學(xué)信息抽取任務(wù)中使用最廣泛、最有效的預(yù)訓(xùn)練語言模型之一，它在生物醫(yī)學(xué)信息抽取的各種任務(wù)上表現(xiàn)都超過了BERT 和之前的先進模型?，F(xiàn)有的BioNER 模型將從BioBERT 預(yù)訓(xùn)練模型獲得的語素嵌入表示后，或直接輸入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，或增加額外的特征信息后輸入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，而忽略了在訓(xùn)練和標簽預(yù)測過程中可能會出現(xiàn)的如下問題：

1）標簽不一致問題。一些語素作為獨立單詞在文本中出現(xiàn)，可能出現(xiàn)詞內(nèi)部標簽不一致問題，比如“peri-kappa”，其真實標簽為“B-DNA”，在語素級別進行標簽預(yù)測時，可能會錯誤地將其部分語素識別為“kappaB”蛋白質(zhì)實體的語素“ka”、“ppa”，則“perikappa”語素的標簽類型既有DNA 類型又有蛋白質(zhì)類型，最終導(dǎo)致實體識別失敗。

2）跨單詞標簽問題。英文單詞被拆分為語素后，詞之間的邊界變得模糊，從而產(chǎn)生錯誤依賴關(guān)系，將不同單詞的語素識別為同一單詞的語素，則會導(dǎo)致實體識別錯誤。如“CD28 signaling cascade…phospholipase A2 and 5-lipoxygenase”在進行表示學(xué)習(xí)時，蛋白質(zhì)實體“phospholipase A2”的語素為“p hos ph oli pas e a2”，在標簽預(yù)測時模型容易將“e a2”識別為疾病實體“EA2”的語素。

3）語義梯度消失問題。將未登錄詞拆分為語素后，句長變?yōu)樵瓉淼膸妆?，在使用神?jīng)網(wǎng)絡(luò)進行句子語義學(xué)習(xí)時容易出現(xiàn)梯度消失問題。生物醫(yī)學(xué)數(shù)據(jù)集中存在大量的未登錄復(fù)合詞，會使得這一問題更加突出，通過統(tǒng)計發(fā)現(xiàn)，單詞被拆分為語素后長句子明顯增多，一些句子長度甚至超過了500。

針對以上問題，本文提出一種基于BiLSTMBiaffine 詞義增強的方法。首先經(jīng)過BioBERT 預(yù)訓(xùn)練后將單詞拆分為語素，得到語素的嵌入表示后同一單詞的語素間使用BiLSTM 獲取語素的前向和后向序列信息；然后使用Biaffine 注意力機制增強其關(guān)聯(lián)信息并融合為單詞表示，將單詞表示作為句子級BiLSTM 的輸入，使得文本長度得到控制，有效緩解梯度消失問題；最后以單詞作為最小單位，使用CRF序列化標注模型獲得最終預(yù)測標簽，規(guī)避由語素導(dǎo)致的詞內(nèi)部標簽不一致和跨單詞標簽問題。本文的主要工作有：

1）針對預(yù)訓(xùn)練模型對語素進行表示學(xué)習(xí)導(dǎo)致的標簽不一致、跨單詞標簽和語義梯度消失的問題，本文提出BiLSTM-Biaffine 詞義增強方法，該方法對語素表示進行融合學(xué)習(xí)，能更好地學(xué)習(xí)句子中的詞級語義特征。

2）設(shè)計實現(xiàn)基于BiLSTM-Biaffine 詞義增強的生物醫(yī)學(xué)命名實體識別模型，通過在BC2GM（BioCreative II Gene Mention）、NCBI-Disease、BC5CDRchem 和JNLPBA 數(shù)據(jù)集上進行實驗，驗證BiLSTMBiaffine 詞義增強方法的有效性。

1 相關(guān)工作

為提升BioNER 的性能，現(xiàn)有相關(guān)研究大致分為3 類：1）通過多種神經(jīng)網(wǎng)絡(luò)的組合得到新的模型；2）融合多種特征信息；3）通過在生物醫(yī)學(xué)語料庫上訓(xùn)練現(xiàn)有預(yù)訓(xùn)練語言模型，得到生物醫(yī)學(xué)領(lǐng)域特定的預(yù)訓(xùn)練語言模型。

BioNER 任務(wù)通常被建模為一個序列標記問題，且已成功地將CRF［7］、CNN［8］、LSTM［9］等模型應(yīng)用其中。文獻［10］在BioNER 中將CRF 作為基礎(chǔ)的分類方法；文獻［11］提出一種基于深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的BioNER方法；文 獻［12］將RNN 模型應(yīng)用于BioNER，通過使用大型無標記語料庫來解決或緩解復(fù)雜的手工設(shè)計特征問題；文獻［13］提出一種使用BiLSTM 學(xué)習(xí)正字法特征的BioNER 模型；文獻［14］開發(fā)多任務(wù)CNN 模型，并將其應(yīng)用于現(xiàn)有的各種生物醫(yī)學(xué)命名實體數(shù)據(jù)集中；文獻［15］將BiLSTM-CRF模型用于不相交標簽集的BioNER 任務(wù)中；文獻［16］將n-GRAM 與BiLSTM-CRF 模型相結(jié)合，應(yīng)用于BioNER；文獻［17］使用一組BiLSTM-CRF 模型構(gòu)建聯(lián)合模型，以便目標模型從其他協(xié)作者模型中獲取信息，從而減少誤報；文獻［18］提出一種多任務(wù)學(xué)習(xí)框架，通過重用相應(yīng)BiLSTM 單元中的參數(shù)，來自不同數(shù)據(jù)集的輸入可以有效地共享字符和字級表示；文獻［19］提出基于BiLSTM-CNN-CRF 交叉共享結(jié)構(gòu)的BioNER 模型；文獻［20］提出DTranNER 模型，將基于CRF 和深度學(xué)習(xí)的標簽轉(zhuǎn)換模型結(jié)合到BioNER中。

為了彌補單純詞嵌入包含信息不足的問題，研究人員進行如下探索：文獻［21］證實了字符級嵌入的信息對詞嵌入信息有很好的補充作用；文獻［22］將深度神經(jīng)網(wǎng)絡(luò)、CRF、單詞嵌入和字符級表征相結(jié)合，進行生物醫(yī)學(xué)命名實體識別；文獻［23］提出一種基于詞嵌入和字符嵌入的LSTM-RNN-CRF 神經(jīng)網(wǎng)絡(luò)架構(gòu)，使用注意力模型將特定領(lǐng)域的預(yù)訓(xùn)練單詞嵌入和通過字符嵌入查找表函數(shù)獲得的每個字符嵌入相結(jié)合；文獻［24］利用CNN 訓(xùn)練單詞以獲取具有形態(tài)特征的字符級向量，將其與從背景語料訓(xùn)練中得到的具有語義特征信息的詞向量進行合并。此外，也有研究者通過加入其他詞匯信息來提升實體識別的性能，如：文獻［25］提出一種改進的基于語言信息嵌入的BiLSTM 網(wǎng)絡(luò)架構(gòu)，除了預(yù)先訓(xùn)練的單詞嵌入和字符嵌入之外，還包含了縮寫嵌入和詞性嵌入；文獻［26］提出基于CNN 和LSTM 組合特征嵌入的BioNER 方法，通過整合從CNN 和BiLSTM 中提取的2 種不同的字符級表示來增強模型性能；文獻［27］使用KVMN 將語法信息合并到主干序列標記器中以改進BioNER；文獻［28］通過BERT 進行語義提取以獲得動態(tài)詞向量，并加入詞性分析、組塊分析特征提升模型精度；文獻［29］利用CNN 和BiLSTM 提取文本的字符向量，在訓(xùn)練過程中動態(tài)計算文本單詞的2 種字符向量權(quán)重并進行拼接，同時加入詞性信息和組塊分析作為額外特征。

由于序列模型獲取的信息在很大程度上依賴于詞嵌入中包含的信息，因此近年來越來越多的研究者將序列模型的關(guān)注點轉(zhuǎn)移到預(yù)訓(xùn)練語言模型上。常用的通用領(lǐng)域的預(yù)訓(xùn)練語言模型Word2Vec［30］、GloVe［31］、ELMo［32］和BERT［33］應(yīng)用于生物醫(yī)學(xué)文 本時，會產(chǎn)生大量的未登錄詞，而且生物醫(yī)學(xué)領(lǐng)域的新生詞匯也在不斷增長，因此，這些模型并不適用于生物醫(yī)學(xué)領(lǐng)域。有研究者在此基礎(chǔ)上提出了專門應(yīng)用于生物醫(yī)學(xué)領(lǐng)域的特定的預(yù)訓(xùn)練語言模型，如：文 獻［1］利 用PubMed 摘要訓(xùn)練ELMo得到BioELMo；文 獻［2］通過在PubMed 摘要上訓(xùn)練BERT 得到KeBioLM；文獻［3-4］通過在臨床筆記MIMIC 上訓(xùn)練BERT 分別得到了ClinicalBERT 和BlueBERT；文獻［5］通過生物醫(yī)學(xué)和計算機科學(xué)領(lǐng)域的論文訓(xùn)練BERT 得到了SciBERT；文獻［6］通過PubMed 摘要和PMC 文章訓(xùn)練得到了BioBERT。

WordPiece 技術(shù)被廣泛應(yīng)用在上述預(yù)訓(xùn)練語言模型中，有效緩解了缺少未登錄詞表示信息的問題，而現(xiàn)有的BioNER 模型將從預(yù)訓(xùn)練模型獲得的語素嵌入表示后直接輸入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，或增加額外的特征信息后輸入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，在英文命名實體識別上依舊存在訓(xùn)練時無法充分利用子令牌標簽信息和WordPiece 破壞單詞語義信息的問題，在未登錄詞占比較高的生物醫(yī)學(xué)領(lǐng)域，這一問題更加突出。為此，本文提出基于BiLSTM-Biaffine 詞義增強的生物醫(yī)學(xué)命名實體識別方法。

2 BiLSTM-Biaffine 詞義增強模型

圖1 所示為基于BiLSTM-Biaffine 詞義增強的生物醫(yī)學(xué)命名實體識別模型整體結(jié)構(gòu)。該模型由編碼模塊、特征提取模塊和解碼模塊3 個部分組成，其中，b、i、j、o和x為張量對應(yīng)維度的數(shù)值。

圖1 BiLSTM-Biaffine 詞義增強模型結(jié)構(gòu)Fig.1 BiLSTM-Biaffine word meaning enhancement model structure

2.1 編碼模塊

語素是構(gòu)成語言的基本單位，也是最小的語法和語義單位。漢語的語素是漢字，而英語的語素是詞根詞綴。在英語中，不同的單詞可能有相同的詞根或詞綴，更能代表單詞的詞義，例如IL-2 和IL-2R都是DNA 類型實體，都包含相同的語素“IL”，這有助于識別實體的類別，同時可以使用已知語素表示未知的新生詞匯，有利于獲取未登錄詞的信息。在本文中，使用預(yù)訓(xùn)練版本的BioBERT 模型來獲取文本的語素嵌入表示。

BioBERT 是基于BERT 模型而提出的，是一種用于生物醫(yī)學(xué)文本挖掘的特定領(lǐng)域BERT，在許多生物醫(yī)學(xué)文本挖掘任務(wù)中性能表現(xiàn)優(yōu)于BERT 和以前的模型，其獲取詞嵌入的過程如圖2 所示。

在圖2 中：Wi表示句子中的第i個單詞；Wij表示第i個單詞的第j個語素。文本以單詞序列的形式輸入BioBERT，然后根據(jù)BioBERT 詞表將單詞拆分為語素，最后以語素為基本單位進行編碼獲得語素嵌入表示。

2.2 特征提取模塊

特征提取模塊由單詞級的BiLSTM（Word-BiLSTM）和句子級的BiLSTM（Sentence-BiLSTM）構(gòu)成。單詞級的BiLSTM 用于獲取單詞內(nèi)部語素的序列信息，句子級的BiLSTM 用于獲取句子的上下文信息。LSTM 的計算公式如式（1）～式（6）所示：

其中：σ和tanh()為激活函數(shù)；it、ft、ot和ct分別對應(yīng)t時刻的輸入門、遺忘門、輸出門和記憶單元；?是點積運算；w和b分別代表權(quán)重矩陣和偏置向量，它們的下標表示對應(yīng)的輸入門（i）、遺忘門（f）、輸出門（o）和記憶單元（c）；xt指t時刻輸入語素的特征表示；ht表示t時刻的隱藏狀態(tài)。

2.2.1 BiLSTM-Biaffine

單詞被拆分為語素后，容易產(chǎn)生本文概述中描述的問題并且詞的內(nèi)部信息被割裂，可能會丟失部分詞義信息，而BiLSTM 能夠捕獲序列信息以及關(guān)聯(lián)信息，因此，本文模型在同一單詞的語素間應(yīng)用BiLSTM，以獲取語素的前向、后向信息，使用Biaffine注意力機制加強語素間的信息交互，最終將語素表示融合為單詞表示，計算公式如式（7）～式（9）所示：

其中：fm表示由LSTM 獲取的第m個單詞語素的前向信息；bm表示由LSTM 獲取的第m個單詞語素的后向信息；Um和Wm是與輸入有關(guān)的矩陣；b′m是可選偏置。

2.2.2 Sentence-BiLSTM

為了獲取句子級的上下文信息，本文模型還在句子級使用BiLSTM，即Sentence-BiLSTM，將由BiLSTM-Biaffine 得到的單詞表示作為Sentence-BiLSTM 的基本單位，能夠有效控制句子長度，緩解梯度消失問題。Sentence-BiLSTM 為雙向LSTM，前向LSTM 提取每個單詞表示的上文信息，后向LSTM獲取單詞表示的下文信息。Sentence-BiLSTM在t時刻的隱藏狀態(tài)由前向和后向隱藏狀態(tài)拼接而成，如式（10）所示：

2.3 解碼模塊

NER 任務(wù)的最后一步是標簽解碼，它接受上下文相關(guān)的表示作為輸入并生成與輸入序列對應(yīng)的標簽序列?；贑RF 的解碼層能夠?qū)ψ罱K預(yù)測的標簽進行約束，彌補BiLSTM 無法處理相鄰標簽之間依賴關(guān)系的缺點，以確保得到最合理的標簽序列。

將BiLSTM 的輸出作為CRF 的輸入，以單詞為最小單位進行標簽預(yù)測，規(guī)避了在語素級別進行標簽預(yù)測而產(chǎn)生的詞內(nèi)部標簽不一致的問題。給定輸入X，輸出預(yù)測標簽的得分，計算公式如式（11）所示：

其中：Ayi，yi+1是矩陣中的元素，表示標簽yi轉(zhuǎn)移到標簽yi+1的概率；yi表示y中的元素。在輸入X確定的情況下，y預(yù)測結(jié)果的概率計算公式如式（12）所示：

其中：y|X是所有可能的標簽組合；y為真實標簽。模型最終選擇p(y|X)最大的標簽序列，這個選擇的過程通過對數(shù)似然函數(shù)實現(xiàn)。訓(xùn)練過程中的似然函數(shù)如式（13）所示：

最終從所有概率得分中通過式（14）選出概率最高的標簽序列：

其中：Yx表示所有可能的標簽序列組合；y*為最終的標簽序列。

3 實驗驗證

3.1 數(shù)據(jù)集

在BC2GM、NCBI-Disease、BC5CDR-chem和JNLPBA等4 個BioNER 任務(wù)中常用的基準數(shù)據(jù)集上進行實驗，驗證本文方法在生物醫(yī)學(xué)數(shù)據(jù)集上的有效性。BC2GM 數(shù)據(jù)集由生物醫(yī)學(xué)出版物摘要中的20 128 條句子組成，并對蛋白質(zhì)、基因和相關(guān)實體的名稱進行了注釋。NCBI-Disease 數(shù)據(jù)集由793 篇PubMed 摘要組成，對疾病提及進行了注釋。BC5CDR-chem 是用于BioCreative V 化學(xué)疾病關(guān)系任務(wù)的數(shù)據(jù)集，對化學(xué)實體和提及進行了手動注釋。JNLPBA 數(shù)據(jù)集包含了擴展版本的生物實體識別數(shù)據(jù)集GENIA 版本3 命名實體語料庫中的MEDLINE 摘要，包含了“DNA”“RNA”“Protein”“cell_type”和“cell_line”這5 類實體。各數(shù)據(jù)集的實體類型及數(shù)量統(tǒng)計結(jié)果如表1 所示。

表1 數(shù)據(jù)集統(tǒng)計信息Table 1 Statistics of datasets

數(shù)據(jù)集采用“B-實體類型”“I-實體類型”和“O”標簽進行標記，使用“B-實體類型”標簽標注實體的開始，“I-實體類型”標簽標注組成實體的中間部分，“O”標簽標注與實體無關(guān)的信息。

3.2 評估標準

實驗采用精確率（P）、召回率（R）和F1 值（F1）3 種測評指標，具體計算公式如式（15）～式（17）所示：

其中：Tp、Fp、Fn分別表示正確識別的實體個數(shù)、錯誤識別的實體個數(shù)和識別出的實體總數(shù)量。

3.3 實驗設(shè)置

本文使用預(yù)訓(xùn)練版本的BioBERT 模型，所有的神經(jīng)網(wǎng)絡(luò)模型都是基于PyTorch 實現(xiàn)的，優(yōu)化器采用Adam 算法。實驗參數(shù)設(shè)置如表2 所示。

表2 實驗參數(shù)設(shè)置Table 2 Experimental parameters setting

3.4 結(jié)果分析

為了驗證本文模型的有效性，分別在BC2GM、NCBI-Disease、BC5CDR-chem 和JNLPBA 數(shù)據(jù)集上進行實驗，將本文模型與近年來BioNER 領(lǐng)域具有代表性的序列標注模型進行對比，實驗結(jié)果如表3 所示，最優(yōu)結(jié)果加粗標注。

表3 不同模型的對比實驗結(jié)果Table 3 Comparative experimental results of different models %

在表3 中：MTM-CW 模型是文獻［18］提出的融合單詞和字符信息的多任務(wù)學(xué)習(xí)模型；文獻［34］提出的MT-BioNER 模型結(jié)合了BioBERT 和多任務(wù)學(xué)習(xí)；MTL 是文獻［35］提出的機器閱讀理解模型。以上模型的實驗結(jié)果均采用了原文獻中的最優(yōu)結(jié)果。

從表3 可以看出，BiLSTM-Biaffine 相較于對比模型取得了更優(yōu)的性能，在BC2GM、NCBI-Disease、BC5CDR-chem 和JNLPBA 數(shù)據(jù)集上的F1平均分別提升了2.99、1.84、3.09 和1.03 個百分點，并且在數(shù)據(jù)集BC2GM、NCBI-Disease 和BC5CDR-chem 上的精確率和召回率也都高于對比模型。這主要是因為以下原因：

1）BiLSTM-Biaffine 能夠獲取BioBERT語素的序列信息以及關(guān)聯(lián)信息。對比模型雖然均使用BioBERT 預(yù)訓(xùn)練模型，但是丟失了語素的序列信息和關(guān)聯(lián)信息，BiLSTM 能夠獲取語素的序列信息，Biaffine 注意力機制加強了其關(guān)聯(lián)并融合為單詞表示。

2）BiLSTM-Biaffine 結(jié)構(gòu)能夠有效利用豐富的語素信息增強詞義表示。字符信息相較于語素包含的信息較少，多任務(wù)學(xué)習(xí)和機器閱讀理解無法針對性地增強詞義信息，而詞義信息對于表示信息相對匱乏的生物醫(yī)學(xué)領(lǐng)域是至關(guān)重要的。

3）獲取語素的表示信息后將其重新融合為單詞表示，不僅解決了未登錄詞表示信息不足的問題，而且句子長度得到控制，緩解了梯度消失問題。在單詞級別進行標簽預(yù)測，規(guī)避了在語素標簽預(yù)測過程中出現(xiàn)的標簽不一致和跨單詞標簽問題。

為了驗證Biaffine 注意力機制的有效性，將其分別與自注意力機制（Self-Attention）、多頭注意力機制（Multi-Attention）進行對比，實驗結(jié)果如表4所示。

表4 不同注意力機制的對比實驗結(jié)果Table 4 Comparative experimental results of different attention mechanisms %

從表4 可以看出，相較于Biaffine 注意力機制，Self-Attention 和Multi-Attention 并不能有效提升模型的性能。原因如下：雙仿射注意力機制可以進行語素間的信息交互，能夠增強同一單詞語素間的內(nèi)部關(guān)聯(lián)信息；自注意力機制和多頭注意力機制主要關(guān)注怎樣從所給輸入中捕獲重要語義特征，在信息量較少的情況下無法發(fā)揮作用。

以上實驗結(jié)果說明，相較于融合字符信息、多任務(wù)學(xué)習(xí)、機器閱讀理解等常用的BioNER 方法，BiLSTM-Biaffine 詞義增強方法能夠捕獲更多的詞義信息，使得BioNER 具有更高的準確性。同時，與自注意力和多頭注意力機制的對比實驗結(jié)果也驗證了Biaffine 注意力機制的有效性。

3.5 消融實驗

為了進一步驗證BiLSTM-Biaffine 方法的有效性，本文設(shè)計消融實驗。在相同的實驗環(huán)境下，對比BioBERT（模型1）、BioBERT-BiLSTM-CRF（模型2）和BioBERT-BiLSTM-Biaffine-BiLSTM-CRF（模 型3）在數(shù)據(jù)集BC2GM、NCBI-Disease、BC5CDR-chem 和JNLPBA 上的性能，實驗結(jié)果如表5 所示。

表5 消融實驗結(jié)果Table 5 Results of ablation experiment %

從表5 可以看出，在BC2GM、NCBI-Disease、BC5CDR-chem 和JNLPBA 數(shù)據(jù)集上，模型3的F1相較于模型1 平均分別提高 了1.99、3.31、1.92 和1.36 個百分點，相較于模型2 平均分別提高了0.98、0.99、0.55 和1.36 個百分點。

對模型2 與模型3 達到最優(yōu)性能所需要的訓(xùn)練批次進行實驗，結(jié)果如圖3 所示。從圖3 可以看出，模型3 在4 個數(shù)據(jù)集上的訓(xùn)練批次均小于模型2，即模型3 具有更快的收斂速度，同時也驗證了BiLSTM-Biaffine 結(jié)構(gòu)能夠有效緩解梯度消失問題。

相較于BioBERT 命名實體識別模型和BioBERT預(yù)訓(xùn)練與BiLSTM-CRF 神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的命名實體識別模型，本文BioBERT-BiLSTM-Biaffine-BiLSTM-CRF 模型在不使用其他特征信息的情況下取得了更優(yōu)的性能，并且收斂速度更快，驗證了基于BiLSTM-Biaffine 詞義增強方法的有效性。

4 結(jié)束語

生物醫(yī)學(xué)命名實體識別作為生物醫(yī)學(xué)文本信息的基礎(chǔ)任務(wù)之一，對于醫(yī)療事業(yè)的發(fā)展有著至關(guān)重要的作用。本文從生物醫(yī)學(xué)數(shù)據(jù)的特殊性出發(fā)，提出一種BiLSTM-Biaffine 詞義增強方法，以有效利用語素來解決未登錄詞的表示問題，同時避免由于語素過多導(dǎo)致的文本過長、標簽不一致和跨單詞標簽問題。通過BioBERT 預(yù)訓(xùn)練模型獲得語素嵌入表示，使用BiLSTM-Biaffine 方法獲取語素的序列信息以及完整的單詞信息，利用BiLSTM-CRF 模型獲取最終的預(yù)測標簽序列。在BC2GM、NCBI-Disease、BC5CDR-chem 和JNLPBA 等4 個BioNER 任務(wù)常用基準數(shù)據(jù)集上進行實驗，結(jié)果表明，BiLSTM-Biaffine詞義增強方法能夠有效提升BioNER 的性能。下一步考慮將BiLSTM-Biaffine 方法應(yīng)用到其他NER 模型中，并探究一種性能更優(yōu)的語素融合方法。