Leveraging Full Dependency Parsing Graph Information For Biomedical Event Extraction

要約

生物医学的事象抽出(BEE)に関する文献には多くのモデルが提案されている。その中には、最短依存パス(SDP)情報を使用して、引数分類タスクを表現するものもある。この表現には問題がある。なぜなら、係り受け解析グラフから単語が1つ欠落するだけで、最終的な予測が全く変わってしまう可能性があるからである。このため、グラフ畳み込みネットワーク(GCN)を用いて、係り受けグラフの完全な隣接行列を個々のトークンの埋め込みに用いる。また、依存関係グラフが全体的な性能に与える影響を示すために、アブレーション研究も行った。その結果、係り受けグラフの情報を用いた場合に大幅な改善が見られた。提案モデルは、異なるデータセットにおけるBEEの最新モデルをわずかに上回る。

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, DeepL