基于深度学习的药物知识图谱构建及智能问答应用研究+人工智能+知识图谱+预训练模型

本文进行基于深度学习的药物表型实体关系联合抽取方法研究。本文首先基于Semmed数据库，筛选出药物表型相关的实体及关系构建药物表型实体关系抽取标准数据集，然后针对数据集中存在的标注问题进行人工审核修复，最终形成了包含21751条关系数据的Semmed药物表型关系抽取语料库。基于此关系抽取数据集和NYT、DDI、CPI数据集，分别利用基于BioBERT+BILSTM的实体关系联合抽取模型和流水线关系抽取模型进行实体及关系的抽取。其中，本文所提出的联合抽取模型在各数据集实现较高F1分数（Semmed：73.80%，NYT：75.35%，DDI：69.62%，CPI：37.23%）的情况下，实现了实体类别信息的抽取，解决了部分现有联合抽取方法无法抽取实体类别信息的缺点。相比之下，流水线模型的关系抽取F1分数均低于联合抽取模型，这说明了分解策略的有效性。同时，流水线模型的实验结果中查全率普遍高于查准率的情况，也验证了流水线方法中存在的冗余实体问题。