Extraktion von chemisch-proteinlichen Beziehungen mit Ensembles aus SVM-, CNN- und RNN-Modellen

Das Text Mining der Beziehungen zwischen Chemikalien und Proteinen ist eine zunehmend wichtige Aufgabe. Der CHEMPROT-Track bei BioCreative VI zielt darauf ab, die Entwicklung und Evaluierung von Systemen zu fördern, die chemisch-proteinliche Beziehungen in laufendem Text (PubMed-Abstrakte) automatisch erkennen können. Dieses Manuskript beschreibt unsere Einreichung, die ein Ensemble aus drei Systemen umfasst, darunter eine Support Vector Machine, ein Convolutional Neural Network und ein Recurrent Neural Network. Ihre Ausgaben werden mit einer Entscheidung basierend auf Mehrheitsabstimmung oder Stacking kombiniert. Unser CHEMPROT-System erzielte eine Präzision von 0,7266 und einen Recall von 0,5735 für ein f-Score von 0,6410, was die Effektivität von maschinenlern-basierten Ansätzen zur automatischen Extraktion von Beziehungen aus biomedizinischer Literatur zeigt. Unsere Einreichung erzielte die höchste Leistung in der Aufgabe während der Herausforderung 2017.