文献

J-GLOBAL ID：201802283931954895   整理番号：18A0166626

生物医学名前付きエンティティ認識のための長・短期記憶RNN

Long short-term memory RNN for biomedical named entity recognition

著者 (4件)： LYU Chen (Wuhan Univ., Wuhan, CHN) ,  CHEN Bo (Hubei Univ. Art & Sci., Xiangyang, CHN) ,  REN Yafeng (Guangdong Univ. Foreign Studies, Guangzhou, CHN) ,  JI Donghong (Wuhan Univ., Wuhan, CHN)
資料名： BMC Bioinformatics (Web)  (BMC Bioinformatics (Web))
巻： 18  号： Oct  ページ： 18:462 (WEB ONLY)  発行年： 2017年10月 
JST資料番号： U7025A  ISSN： 1471-2105  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 背景:生物医学名前付きエンティティ認識(BNER)は,生物医学分野における情報抽出の重要な初期段階である。タスクは,通常,配列ラベリングの問題としてモデル化される。条件付き確率場(CRF)などの様々な機械学習アルゴリズムがこのタスクに首尾よく使用されている。しかし,これらの最先端BNERシステムは,手作り特徴(hand-crafted feature)に大きく依存する。結果:本研究では,単語埋め込みと文字表現に基づいたリカレントニューラルネットワーク(RNN)フレームワークを提示する。ニューラルネットワークアーキテクチャの上では,CRFレイヤーを使用して,文全体のラベルを共同でデコードする。本研究のアプローチでは,双方向からの文脈情報とこのタスクに有用な配列内の長距離依存性は,双方向変動と長・短期記憶LSTM(LSTM)ユニットによってモデル化することができる。本モデルでは,単語埋め込みと文字埋め込みを唯一の特徴として使用しているが,双方向LSTM-RNN(BLSTM-RNN)モデルは,「BioCreative II gene mention」(GM)コーパスではF1が86.55%という最先端の性能を,JNLPBA 2004コーパスでは73.79%のF1を達成した。結論:本研究のニューラルネットワークアーキテクチャは,手作業による特徴エンジニアリングを必要とせずに,BNERに首尾よく使用できる。実験結果から,ドメイン特有の事前に訓練された単語埋め込みおよび文字レベル表現がLSTM-RNNモデルの性能を改善できることが分かった。GMコーパスでは,手作りの特徴を使用する他のシステムと同等の性能を達成した。JNLPBAコーパスを考慮すると,本研究のモデルは最良の結果を達成し,これまでの最高性能のシステムを上回っていた。本手法のソースコードは,GPL(https://github.com/lvchen1989/BNER)で自由に入手できる。(翻訳著者抄録)

シソーラス用語： *臨床医学 ,  データ ,  *データマイニング ,  情報処理 ,  *情報抽出 ,  文書 ,  モデリング ,  確率モデル ,  特徴抽出 ,  機械学習 ,  アルゴリズム ,  手作業 ,  *神経回路網 ,  ネットワークアーキテクチャ ,  復号化 ,  *ニューラルネットワーク ,  コーパス ,  埋込み【挿入】
準シソーラス用語： *生物医学 ,  エンティティ ,  *生物医学データマイニング ,  ラベリング【文書】 ,  モデル化 ,  条件つき確率場 ,  *リカレントニューラルネットワーク ,  ニューラルネットワークアーキテクチャ ,  デコード化 ,  *LSTMネットワーク ,  高性能

分類 (2件)： 生物科学研究法一般  (EA03010K) ,  分子・遺伝情報処理  (JE15040B)

タイトルに関連する用語 (5件)： 生物医学 ,  名前 ,  エンティティ ,  長・短期記憶 ,  RNN