ドキュメントレベルの固有表現認識におけるモデル予測の一貫性の向上

要約：バイオメディカル固有表現認識（NER）は、バイオメディカルアプリケーションにおける文書からの情報抽出において重要な役割を果たします。しかし、これらのアプリケーションの多くは、NERモデルが文のレベルではなくドキュメントレベルで動作することを要求します。これは、文モデルからドキュメントモデルへの拡張が常に簡単ではないため、課題を呈します。一貫した予測を行うことができるドキュメントNERモデルが存在するにもかかわらず、それらは依然として研究者や実務者の期待には応えられていません。この問題に対処するために、私たちは不一致な予測の根本原因を調査しました。私たちの研究は、固有表現内の形容詞や前置詞の使用がラベルの一貫性の低下に寄与している可能性があると考えています。本稿では、形容詞や前置詞などの修飾語のラベルの一貫性を高めるための手法、ConNERを紹介します。これらの修飾語のラベルを洗練させることにより、ConNERはバイオメディカル固有表現の表現を改善することができます。私たちの手法の有効性は、4つの人気のあるバイオメディカルNERデータセットで実証されています。3つのデータセットでは、以前の最先端モデルよりも高いF1スコアを達成しました。私たちの手法は2つのデータセットでその有効性を示し、F1スコアにおいて7.5%-8.6%の絶対的な改善をもたらしました。私たちの発見は、ConNER手法が本質的にラベルの一貫性が低いデータセットに対して有効であることを示唆しています。定性的分析を通じて、私たちのアプローチがNERモデルがより一貫した予測を生成するのにどのように役立つかを示します。利用可能性と実装：私たちのコードとリソースは、https://github.com/dmis-lab/ConNER/ で入手可能です。