MRC-based Nested Medical NER with Co-prediction and Adaptive Pre-training

在医学信息提取中，医学命名实体识别（NER）是不可或缺的，对于发展医学知识图谱、增强医学问答系统和分析电子病历起着至关重要的作用。医学NER的挑战在于其复杂的嵌套结构和精密的医学术语，使其与传统领域的NER有所区别。针对这些复杂性，我们提出了一种基于机器阅读理解（MRC）的医学NER模型，该模型使用任务自适应预训练策略来提高模型在医学领域的能力。同时，我们的模型引入了多个词对嵌入和多粒度膨胀卷积来增强模型的表示能力，并使用Biaffine和MLP的组合预测器来提高模型的识别性能。在CMeEE上进行的实验评估是对中文嵌套医学NER的基准测试，结果表明我们提出的模型优于比较的最先进模型。

该论文旨在解决医学领域中的命名实体识别问题，提出了一种基于机器阅读理解的模型，并使用任务自适应预训练策略来提高模型在医学领域中的能力。

该论文的关键思路是使用机器阅读理解模型，引入多个词对嵌入和多粒度膨胀卷积来增强模型的表示能力，并使用Biaffine和MLP的组合预测器来提高模型的识别性能。

该论文在CMeEE数据集上进行了实验评估，并表明我们提出的模型优于当前最先进的模型。该模型的亮点包括使用任务自适应预训练策略、多个词对嵌入和多粒度膨胀卷积、Biaffine和MLP的组合预测器。

最近的相关研究包括《A Survey of Named Entity Recognition and Classification》、《Named Entity Recognition with Bidirectional LSTM-CNNs》等。