摘要

从生物医学文献中自动提取关系（RE）对于研究和实际应用中的许多下游文本挖掘任务至关重要。然而，大多数现有的生物医学RE基准数据集仅关注单个类型的关系（例如蛋白质-蛋白质相互作用），且主要在句子层面进行标注，这极大地限制了生物医学领域RE系统的开发。本文首先回顾了常用的命名实体识别（NER）和RE数据集。随后，我们介绍了BioRED，这是首个包含多种实体类型（例如基因/蛋白质、疾病、化学物质）和关系对（例如基因-疾病；化学物质-化学物质）的生物医学RE语料库，基于600篇PubMed摘要构建而成。此外，我们将每个关系标记为描述新发现或已知背景知识，从而使自动化算法能够区分新信息和背景信息。我们通过评估几种现有的最先进方法（包括基于BERT的模型）在NER和RE任务上的表现来测试BioRED的实用性。结果显示，现有方法在NER任务上可以达到较高的性能（F值为89.3%），但在RE任务上仍有很大的改进空间，特别是在提取新关系时（F值为47.7%）。我们的实验还表明，这样一个丰富的数据集能够成功促进更准确、高效和鲁棒的生物医学RE系统的开发。BioRED数据集及其标注指南可在https://ftp.ncbi.nlm.nih.gov/pub/lu/BioRED/ 免费获取。