Resumen

A medida que la literatura biomédica aumenta exponencialmente, el reconocimiento de entidades nombradas biomédicas (BNER) se ha convertido en una tarea importante en la extracción de información biomédica. En los estudios previos basados en aprendizaje profundo, la incrustación de palabras preentrenada se ha vuelto una parte indispensable de los modelos de redes neuronales, mejorando efectivamente su rendimiento. Sin embargo, la literatura biomédica típicamente contiene numerosas palabras polisémicas y ambiguas. El uso de representaciones de palabras preentrenadas fijas no es apropiado. Por lo tanto, este artículo adopta las incrustaciones preentrenadas de modelos de lenguaje (ELMo) para generar incrustaciones dinámicas de palabras según el contexto. Además, para evitar el problema de datos de entrenamiento insuficientes en campos específicos e introducir representaciones de entrada más ricas, proponemos un modelo de unidad recurrente bidireccional en cascada multicanal de aprendizaje multitarea (BiGRU). Múltiples representaciones de características (por ejemplo, a nivel

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Literatura biomédica; Reconocimiento de entidades nombradas; Incrustaciones de palabras preentrenadas; Aprendizaje profundo; Aprendizaje multitarea; Modelo BiGRU
• Keywords:Biomedical literature; Named entity recognition; Pretrained word embeddings; Deep learning; Multitask learning; BiGRU model