论文阅读_医疗NLP模型_ EMBERT

英文题目：EMBERT: A Pre-trained Language Model for Chinese Medical Text Mining
中文题目：中文医学文本挖掘的预训练语言模型
论文地址：https://chywang.github.io/papers/apweb2021.pdf
领域：自然语言处理，知识图谱，生物医疗
发表时间：2021
作者：Zerui Cai等，华东师范大学
出处：APWEB/WAIM
被引量：1
阅读时间：22.06.22

读后感

针对医疗领域，利用知识图中的同义词（只使用了词典，未使用图计算方法），训练类似BERT的自然语言表示模型。优势在于代入了知识，具体设计了三种自监督学习方法来捕捉细粒度实体间的关系。实验效果略好于现有模型。没找到对应代码，具体的操作方法写的也不是特别细，主要领会精神。

比较值得借鉴的是，其中用到的中文医疗知识图，其中同义词的使用方法，AutoPhrase自动识别短语，高频词边界的切分方法等。

介绍

文中方法致力于：更好地利用大量未标注数据和预训练模型；使用实体级的知识增强；捕捉细粒度的语义关系。与 MC-BERT 相比，文中的模型更注重探索实体间的关系。

作者主要针对三个问题：

• 同义不同词，比如： 结核病 与 痨病 指的是同一疾病，但文本描述不同。
• 实体嵌套，比如：新型冠状病毒肺炎，既包含肺炎实体，又包含新型冠状病毒实体，自身也是一个实体，之前方法只关注了整个实体。
• 长实体误读，比如：糖尿病酮酸，解析时需要关注主实体与其它实体的关系。

文章贡献如下：

• 提出了中文医疗预训练模型 EMBERT（Entity-rich Medical BERT），可学习医学术语的特征。
• 提出三种自监督任务捕捉实体层面的语义相关性。
• 使用六个中文医疗数据集评测，实验证明效果好于之前方法。

方法

实体上下文一致性预测

利用从http://www.openkg.cn/的知识图中取到的 SameAs 关系建立词典，用同义词替换数据集中的词构造更多训练数据，再预测被替换的实体与上下文的一致性，以提升模型效果。原理上，被替换的实体和原有实体的上下文也应具有一致性。

假设一个句子包含字x1…xn，替换了其中的第i个实体 xsi,…xei，其中s和e表示替换的起止位置，其上下文指的是位置在si之前和si之后的内容，用ci表示。

首先，将替换后的实体编码为向量 yi：

然后，利用 yi 来预测上下文 ci，并计算损失函数：

实体切分

使用基于规则的系统将长实体切分成几部分语义，并打标签，再用标注数据训练模型。

具体方法是建立一个实体词表，从训练集中获得一批高质量的医疗领域实体，与知识图中实体结合。先用AutoPhrase生成原始切分结果，计算每个片段开始和结束位置的频率，对top-100高频词手动检查，作为切分集。

设长实体为xsi,…,xei，将其进一步切分xeij,…,xeij，并将切分后小段的最后一个位置xsij作为切分点打标签为1，其它位置标签为0，训练模型来预测这个标签，将其定义为一个二分类问题。公式中的 y 是该位置token的向量表示。

损失函数计算如下：

双向实体遮蔽

利用上一步方法，可把长实体分成形容词和元实体（主要的实体），遮蔽形容词，使用主实体预测它；相对的，也遮蔽主实体，用形容词预测它。

以遮蔽元实体为例，利用形容词和相对位置p来计算元实体的表示：

然后利用 yj 来预测 xj，并计算交叉熵作为损失函数：

用元实体预测预测形容词也是同理，最后得到的损失函数Lben是两种损失的加和。

损失函数

最终的损失函数，包含BERT的损失Lex和上述三种方法的损失，λ是超参数。

实验

使用丁香园医疗社区问答及BBS数据训练模型，数据量5G，文中使用的训练数据明显少于MC-BERT，但效果与之相似。

主实验效果如下：