Attending To Syntactic Information In Biomedical Event Extraction Via Graph Neural Networks

要約

生物医学的イベント抽出(BEE)に関する文献では多くのモデルが提案されています。
それらの中には、引数分類タスクを表すために最短依存関係パス (SDP) 情報を使用するものもあります。
この表現には問題があります。依存関係解析グラフから 1 つの単語が欠けているだけでも、最終的な予測が完全に変わってしまう可能性があるからです。
この目的を達成するために、依存関係グラフの完全な隣接行列を使用して、グラフ畳み込みネットワーク (GCN) を使用して個々のトークンを埋め込みます。
全体的なパフォーマンスに対する依存関係グラフの影響を示すために、切除研究も行われます。
結果は、依存関係グラフ情報を使用すると大幅な改善が見られます。
提案されたモデルは、さまざまなデータセットにわたる BEE 上の最先端のモデルよりわずかに優れています。

要約(オリジナル)

Many models are proposed in the literature on biomedical event extraction(BEE). Some of them use the shortest dependency path(SDP) information to represent the argument classification task. There is an issue with this representation since even missing one word from the dependency parsing graph may totally change the final prediction. To this end, the full adjacency matrix of the dependency graph is used to embed individual tokens using a graph convolutional network(GCN). An ablation study is also done to show the effect of the dependency graph on the overall performance. The results show a significant improvement when dependency graph information is used. The proposed model slightly outperforms state-of-the-art models on BEE over different datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google