瑞金医院MMC人工智能辅助构建知识图谱大赛复赛
⚠️ 由于可能存在的版权问题，请自行联系大赛主办方索要数据，在 Issues 中索要数据的请求将不再回复，谢谢!
背景
复赛题目是在 Named Entity 给定的基础上，做 Relation 抽取。
初赛代码见 beader/ruijin_round1
实体关系类别名称:
| From Entity Type | To Entity Type | Relation Type |
|---|---|---|
| 检查方法 | 疾病 | Test_Disease |
| 临床表现 | 疾病 | Symptom_Disease |
| 非药治疗 | 疾病 | Treatment_Disease |
| 药品名称 | 疾病 | Drug_Disease |
| 部位 | 疾病 | Anatomy_Disease |
| 用药频率 | 药品名称 | Frequency_Drug |
| 持续时间 | 药品名称 | Duration_Drug |
| 用药剂量 | 药品名称 | Amount_Drug |
| 用药方法 | 药品名称 | Method_Drug |
| 不良反应 | 药品名称 | SideEff-Drug |
数据样例
0.txt
中国成人2型糖尿病HBA1C c控制目标的专家共识
目前,2型糖尿病及其并发症已经成为危害公众
健康的主要疾病之一,控制血糖是延缓糖尿病进展及
其并发症发生的重要措施之一。虽然HBA1C 。是评价血
糖控制水平的公认指标,但应该控制的理想水平即目
标值究竟是多少还存在争议。糖尿病控制与并发症试
验(DCCT,1993)、熊本(Kumamoto,1995)、英国前瞻性
糖尿病研究(UKPDS,1998)等高质量临床研究已经证
实,对新诊断的糖尿病患者或病情较轻的患者进行严
格的血糖控制会延缓糖尿病微血管病变的发生、发展,
0.ann
T1 Disease 1845 1850 1型糖尿病
T2 Disease 1983 1988 1型糖尿病
T4 Disease 30 35 2型糖尿病
T5 Disease 1822 1827 2型糖尿病
...
R206 Symptom_Disease Arg1:T329 Arg2:T325
R207 Symptom_Disease Arg1:T331 Arg2:T325
R208 Test_Disease Arg1:T337 Arg2:T338
R209 Treatment_Disease Arg1:T343 Arg2:T345
R210 Treatment_Disease Arg1:T344 Arg2:T345
数据使用 brat 进行标注，每个 .txt 文件对应一个 .ann 标注文件。
模型
构建训练样本
之前没有做 Relation Extraction 的经验，最直觉的想法是当成一个二分类问题来做。先生成 Candidate Entity Pairs，做一些简单的过滤，然后利用训练集中的 Relation 数据给 Candidate Entity Pairs 打 0 或者 1 的标签。
比赛中，用中文句号 (。) 做句子切分，选取 size=2, step=1 的滑动窗口来生成句子。即每个句子包含原始文章中的2句话。接着把每个句子中出现的 entities 做个排列组合，把不存在于比赛要求的 10 个 relation type 中的组合过滤掉，作为 candidate entity pairs。
向量化
对每个样本进行向量化，提取 5 个向量作为模型的输入。
-
char id sequence为转化为字符id后的句子文本序列 -
entity labels vector为代表 entity 类别的向量 -
from entity mask用 [1] 标记出 from_entity 的位置，剩余位置补 [0] -
to entity mask用 [1] 标记出 to_entity 的位置，剩余位置补 [0] -
entity distance为一个带符号的实数，用来表示两个 entity 的距离
神经网络结构
效果评估
复赛采用 F1-Score 来衡量模型效果。最终这个 baseline model 线上的成绩为 0.733