MotivationSchädliche Ereignisse, die durch Arzneimittelwechselwirkungen (DDI) verursacht werden, stellen eine ernsthafte Gesundheitsgefährdung dar. Die automatisierte Extraktion von DDI aus der biomedizinischen Literatur könnte die bestehenden Bemühungen im Bereich der Pharmakovigilanz weiter voranbringen. Die meisten auf neuronalen Netzen basierenden Methoden konzentrieren sich typischerweise auf die Satzsequenz zur Identifizierung solcher Wechselwirkungen. Dabei enthält jedoch der kürzeste Abhängigkeitspfad (SDP) zwischen den beiden beteiligten Entitäten wertvolle syntaktische und semantische Informationen. Die effektive Ausnutzung dieser Informationen könnte die Leistung der DDI-Extraktion verbessern.ErgebnisseIn diesem Artikel präsentieren wir eine hierarchische rekurrente neuronale Netzwerk-(RNN)-basierte Methode zur Integration des SDP und der Satzsequenz für die DDI-Extraktionsaufgabe. Zunächst wird die Satzsequenz in drei Teilsequenzen unterteilt. Anschließend wird ein unterer RNN-Modell eingesetzt, um die Merkmalsdarstellung der Teilsequenzen und des SDP zu lernen, während ein oberer RNN-Modell zur Lernung der Merkmalsdarstellung sowohl der Satzsequenz als auch des SDP verwendet wird. Darüber hinaus führen wir eine Embedding-Attention-Mechanismus ein, um Schlüsselwörter für die DDI-Extraktion zu identifizieren und zu verstärken. Wir evaluieren unseren Ansatz anhand der DDI-Extraktions-Korpus 2013. Unser Verfahren erzielt eine konkurrenzfähige oder überlegene Leistung im Vergleich zu anderen state-of-the-art-Methoden. Experimentelle Ergebnisse zeigen, dass die Satzsequenz und der SDP sich gegenseitig ergänzen. Die Integration der Satzsequenz mit dem SDP führt zu einer effektiven Verbesserung der DDI-Extraktionsleistung.