文章图片
文章图片
文章图片
药物间的相互作用知识图谱的探索还没有很好地建立 ， 因此是一个未来的方向 。 从数据集中识别错误标记和真实的候选句子是更好的选择 ， 而不是软注意力权重分配策略 。 为了自动识别错误标签 ， 还采用强化学习策略来学习关系提取器 ， 将其视为代理 ， 目标是获得更高的长期奖励 。 此外 ， 如何利用关系之间丰富的相关信息也可以更好地识别有效实例 。
对于半监督和远程监督方法 ， 由于数据集的不完整 ， 它们都存在数据稀疏问题 。 通过集成分布式模块和分布式模块进行关系提取 ， 这两个模块可以协同训练并相互提供额外的监督 ， 这有望补充种子实例中有限的超级视觉 。 随着药物-药物相互作用数据库的改进和扩展 ， 手动标记所有数据是不现实的 。 至于该领域未来的工作 ， 有必要使用半监督或远程监督的方法来提取药物-药物相互作用 。
目前 ， 深度学习模型在关系抽取中存在的问题是性能可能不稳定 。 可以做出的改进一般分为三类：联合学习、集成学习和对偶学习 。 关系抽取方法都假设所提到的实体的边界和类型是已知的 。 为了避免从提取实体到提取关系的错误传播 ， 有联合学习 ， 其中训练模型以联合提取实体和关系 。 联合学习模型有助于使用实体信息进行关系提取 ， 因此联合提取不仅提高了实体提取的性能 ， 而且证明对关系提取是有效的 。
贝库利斯等人使用对抗训练方法来提高联合提取神经网络模型的鲁棒性 。 此外 ， 大多数神经模型仅通过参数共享来实现联合学习 ， 这导致无法充分利用关系和实体之间信息的缺点 。 郑等人 。 将联合任务转换为标记问题 ， 设计了一种新颖的图形方案来捕获更丰富的实体和关系信息 。 因此 ， 联合解码是一个很有前途的未来方向 。 集成学习是一种众所周知的机器学习
为了提高关系提取的性能 ， 集成多个分类器是有价值的 ， 对偶学习被推广到联合学习原始模型和对偶模型以提高彼此性能的概念 ， 这也可以有效地利用半监督或远程监督设置中的未标记数据 。 例如 ， 利用问答和问题生成这两个任务的对偶性 ， 可以将汉英翻译和英汉翻译放在一起处理 。 因此 ， 科学家们可以在药物-药物相互作用提取任务中应用一个由预测模块和对偶检索模块组成的新框架 ， 以帮助生成高质量的标记数据 。
这些方法可用于在未来更有效地执行药物-药物相互作用提取 。 所有患者均接受吉非替尼治疗并显示部分缓解 。 这个例子传达了一个事实 ， 即在基因中可以对吉非替尼药物产生反应 。 提取此类知识需要超越单句和二元关系 ， 因此跨句N元关系提取的需求受到关注 。 利用句法和话语信息进行元关系提取是很有价值的 。 科学家们应该构建具有句间和句内依赖、相邻单词之间的关系和链接的文档图 。
【药物间相互作用知识图谱的探索还没有很好地建立，这是未来的一个方向】然后科学家们使用图结构的长短期记忆或最近的图循环网络来建模依赖和话语关系.因此 ， 设计适当的图神经网络模型以提取跨句子元关系至关重要特征丰富?深度学习模型可以自动从复杂数据中提取特征 。 对于药物-药物相互作用提取 ， 现有的方法可以通过卷积神经网络和长
推荐阅读
- 太阳门口最近的恒星发现第三颗行星：可以有液态水
- 地球的自转速度为何越来越慢？过去的半个世纪你多拥有27秒时间！
- 惊喜：金星（启明星）的云层真的分开了！揭开金星的神秘面纱
- 外层空间会终结——还是宇宙永远存在？
- 冲出太阳系！我们自己的“旅行者一号”，两年后或将升空？
- 太空维纳斯若只如初见
- 14个你不知道的冷知识，得到过科学验证，只有少数人知道的知识
- 海水是从哪里来的？真相揭开，让人不敢相信
- 南非科学家证实：新冠易在艾滋病患者体内变异