生物医学领域的关系抽取（多分类）利用循环神经网络加最大池组合模型

2023年4月5日下午11:59 • 循环神经网络

生物医学领域中的关系抽取其实就是多分类任务，利用有监督的深度学习模型进行训练并给出最终的实体关系；这是目前研究生自然语言处理领域中所研究的重要问题，也是一个科研硕果容易出的点，因为模型之间的合理组合就可以收获意料之外的效果，虽然效果有好有坏，发论文还是有一定困难的，还是对于那么想寻找一些新的idea想毕业的学生，这也是一个不错的研究方向。
在这里本博主将简单给出该模型的一种实现方式，并给出该模型的实现代码和结果语料，python实现环境为：

Python SciPy环境，Python 3以上版本。你必须使用tensorflow1.4.0。并已经安装了scikit-learn，Pandas，NumPy和Matplotlib等各种库。

目的：SemEval-2010任务（即有监督的多分类任务）
例：

“ 碗里有苹果，梨和橘子。” → CONTENT-CONTAINER（梨，碗）
“杯中盛着干人参茶。” → ENTITY-ORIGIN（茶，人参）

语义关系清单
原因 - 效应（CE）：事件或对象导致效应（这些癌症是由辐射暴露引起的）
仪器 - 代理（IA）：代理使用仪器（电话运营商）
产品 - 生产者（PP）：生产者使产品存在（工厂生产西装）
内容容器（CC）：一个物体被物理存储在空间划分的区域（一个充满蜂蜜的瓶子被称重）Hendrickx，Kim，Kozareva，Nakov，OS’eaghdha，Pad’o，'Pennacchiotti，Romano，Szpakowicz Task概述数据创建竞争结果和讨论语义关系清单（III）
实体原产地（EO）：实体来自或源自原产地，例如，位置或材料（来自国外的信函）
实体 - 目的地（ED）：实体正朝着目的地移动（男孩去睡觉）
组件 - 整体（CW）：一个物体是一个较大整体的组成部分（我的公寓有一个大厨房）
成员集合（MC）：成员构成集合的非功能部分（森林中有许多树）
消息主题（CT）：一种书面或口头交流行为是关于一个话题的（讲座是关于语义的）
其他：如果上述九种关系都不适合。

数据集的分配

模型结构图：
生物医学领域的关系抽取（多分类）利用循环神经网络加最大池组合模型双向RNN（Bi-RNN）用于实现左右上下文向量。
通过移位Bi-RNN的输出并连接指示上下文的开始的零状态来创建每个上下文向量
核心代码实现