Sapbert From PubMedBERT Fulltext Mean Token

🚀 SapBERT-PubMedBERT

SapBERTは、生物医学のエンティティ表現に用いられる事前学習モデルです。自動アライメント事前学習方式を通じて、生物医学分野の細粒度な意味関係を効果的に捉えることができ、複数の医学エンティティリンク基準データセットで最先端の成果を達成しています。

🚀 クイックスタート

モデル情報

SapBERTはLiu et al. (2020)によって提案されました。このモデルはUMLS 2020AA（英語のみ）を使用して訓練され、microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltextをベースモデルとしています。出力の平均プーリングを表現として使用してください。

モデルのニュース

• [ニュース] SapBERTの多言語拡張版がACL 2021のメイン会議で登場します！
• [ニュース] SapBERTがNAACL 2021の会議論文集に掲載されます！

💻 使用例

基本的な使用法

以下のスクリプトは、文字列リスト（エンティティ名）を埋め込みベクトルに変換します：

import numpy as np
import torch
from tqdm.auto import tqdm
from transformers import AutoTokenizer, AutoModel  

tokenizer = AutoTokenizer.from_pretrained("cambridgeltl/SapBERT-from-PubMedBERT-fulltext-mean-token")  
model = AutoModel.from_pretrained("cambridgeltl/SapBERT-from-PubMedBERT-fulltext-mean-token").cuda()

# replace with your own list of entity names
all_names = ["covid-19", "Coronavirus infection", "high fever", "Tumor of posterior wall of oropharynx"] 

bs = 128 # batch size during inference
all_embs = []
for i in tqdm(np.arange(0, len(all_names), bs)):
    toks = tokenizer.batch_encode_plus(all_names[i:i+bs], 
                                       padding="max_length", 
                                       max_length=25, 
                                       truncation=True,
                                       return_tensors="pt")
    toks_cuda = {}
    for k,v in toks.items():
        toks_cuda[k] = v.cuda()
    cls_rep = model(**toks_cuda)[0].mean(1)# use mean pooling representation as the embedding
    all_embs.append(cls_rep.cpu().detach().numpy())

all_embs = np.concatenate(all_embs, axis=0)

詳細情報

訓練と評価に関する詳細情報については、SapBERTのGitHubリポジトリを参照してください。

📄 ライセンス

引用情報

このモデルを使用した場合は、以下の論文を引用してください：

@inproceedings{liu-etal-2021-self,
    title = "Self-Alignment Pretraining for Biomedical Entity Representations",
    author = "Liu, Fangyu  and
      Shareghi, Ehsan  and
      Meng, Zaiqiao  and
      Basaldella, Marco  and
      Collier, Nigel",
    booktitle = "Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies",
    month = jun,
    year = "2021",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2021.naacl-main.334",
    pages = "4228--4238",
    abstract = "Despite the widespread success of self-supervised learning via masked language models (MLM), accurately capturing fine-grained semantic relationships in the biomedical domain remains a challenge. This is of paramount importance for entity-level tasks such as entity linking where the ability to model entity relations (especially synonymy) is pivotal. To address this challenge, we propose SapBERT, a pretraining scheme that self-aligns the representation space of biomedical entities. We design a scalable metric learning framework that can leverage UMLS, a massive collection of biomedical ontologies with 4M+ concepts. In contrast with previous pipeline-based hybrid systems, SapBERT offers an elegant one-model-for-all solution to the problem of medical entity linking (MEL), achieving a new state-of-the-art (SOTA) on six MEL benchmarking datasets. In the scientific domain, we achieve SOTA even without task-specific supervision. With substantial improvement over various domain-specific pretrained MLMs such as BioBERT, SciBERTand and PubMedBERT, our pretraining scheme proves to be both effective and robust.",
}