摘要

生物医学命名实体识别（NER）是生物医学信息处理中的一个难题，主要是由于上下文外术语的广泛歧义性和词汇变化的多样性。随着BERT、GPT和XLNet等模型的发展，生物医学命名实体识别（bioNER）基准测试的性能持续提升。FLAIR是一种替代的嵌入模型，其计算复杂度低于上述提到的其他模型。我们对FLAIR及其预训练的PubMed嵌入（以下简称BioFLAIR）在多种生物医学命名实体识别任务上进行了测试，并将其结果与BERT类网络的结果进行了比较。此外，我们还研究了在PubMed内容上进行少量额外预训练的影响，以及将FLAIR和ELMO模型结合的效果。我们发现，在使用提供的嵌入时，FLAIR的表现与BERT网络相当——甚至在一个基准测试中建立了新的最先进水平。尽管额外预训练并未带来明显的改进，但随着更多预训练的进行，这一情况可能会发生变化。通常情况下，将FLAIR嵌入与其他嵌入堆叠可以提高基准测试的结果。