Comparaison et combinaison de certaines approches populaires de reconnaissance d'entités nommées dans les tâches biomédicales

Nous comparons trois approches simples et populaires pour le Reconnaissance d'Entités Nommées (NER) : 1) SEQ (étiquetage de séquence avec un classificateur linéaire de jetons), 2) SeqCRF (étiquetage de séquence avec des Champs Aléatoires Conditionnels), et 3) SpanPred (prédiction d'intervalles avec des plongements de limites de jetons). Nous évaluons ces approches sur quatre tâches de NER biomédical : GENIA, NCBI-Disease, LivingNER (espagnol) et SocialDisNER (espagnol). Le modèle SpanPred montre des performances de pointe sur LivingNER et SocialDisNER, améliorant respectivement les scores F1 de 1,3 et 0,6. Le modèle SeqCRF montre également des performances de pointe sur LivingNER et SocialDisNER, améliorant respectivement les scores F1 de 0,2 et 0,7. Le modèle SEQ est compétitif avec l'état de l'art sur l'ensemble de données LivingNER. Nous explorons quelques méthodes simples pour combiner les trois approches. Nous constatons que le vote majoritaire offre une précision élevée et un score F1 élevé sur les quatre ensembles de données. Enfin, nous mettons en œuvre un système qui apprend à combiner les prédictions du modèle SEQ et du modèle SpanPred, générant ainsi des systèmes qui offrent une rappel élevé et un score F1 élevé sur les quatre ensembles de données. Sur l'ensemble de données GENIA, nous observons que notre système combinatoire appris améliore significativement le score F1 (+1,2) et le rappel (+2,1) par rapport aux systèmes combinés. Nous mettons à disposition tout le code bien documenté nécessaire pour reproduire tous les systèmes sur https://github.com/flyingmothman/bionlp.