通过多跳自我注意机制进行药物不良React检测

背景:药物引起的不良React可能会危及生命。 对药物不良React(ADR)的全面了解可以减少其对患者的有害影响。 通过临床试验检测ADR需要大量的实验和较长的时间。 随着非结构化文本数据(例如生物医学文献和电子记录)的数量不断增长,在可用的非结构化数据中检测ADR对ADR研究具有重要意义。 大多数基于神经网络的方法通常集中于句子序列的简单语义信息。 但是,两个实体的关系取决于更复杂的语义信息。 方法:在本文中,我们提出了一种多跳自注意机制(MSAM)模型,旨在学习用于ADR检测任务的多方面语义信息。 首先,使用双向长短期记忆(Bi-LSTM)模型捕获句子的上下文信息。 然后,通过应用注意力机制的多个步骤,可以生成句子的多个语义表示。 每个关注步骤都会获得针对句子不同部分的不同关注分布。 同时,我们的模型从句子的多种表示中找到并增强了各种关键词。 结果:我们的模型是通过使用两个ADR语料库进行评估的。 结果表明,该方法具有稳定的泛化能力。 通过广泛的实验,我们的模型针对TwiMed-PubMed,TwiMed-Twitter和ADE的ADR检测分别达到了0.853、0.799和0.8