Causal Relationship Extraction Combined Boundary Detection and Information Interaction

Das Kapitel geht der entscheidenden Aufgabe der Causal Relationship Extraction (CRE) in der Verarbeitung natürlicher Sprache nach, insbesondere im medizinischen Bereich. Sie unterstreicht die Bedeutung von CRE für die Medikamentenentwicklung, diagnostische Hilfe und Patientenversorgung. Traditionelle CRE-Methoden werden in sequenzmarkierungsbasierte und segmentbasierte Ansätze unterteilt, wobei jeder dieser Ansätze seine Grenzen hat. Um diesen Herausforderungen zu begegnen, stellen die Autoren ein neuartiges Modell namens CATB vor, das ein Boundary Detection Module (BDM) und einen Co-Interactive Adaptive Transformer (CAT) kombiniert. Das BDM verwendet ein Zeigernetzwerk, um Entitätsgrenzen zu identifizieren, während das CAT Aufmerksamkeitsmechanismen verwendet, um kontextuelle Abhängigkeiten zwischen Ursache-Wirkung-Ereignissen zu erfassen. Die Integration dieser Komponenten versetzt das Modell in die Lage, große Einheiten zu extrahieren und komplexe Zusammenhänge in medizinischen Texten zu verstehen. Experimentelle Ergebnisse an vier Datensätzen zeigen die überlegene Leistung des CATB-Modells im Vergleich zu bestehenden Methoden und zeigen sein Potenzial, die medizinische Textanalyse zu revolutionieren.