Sapbert From PubMedBERT Fulltext

🚀 SapBERT - 生物醫學實體表示預訓練模型

SapBERT是一種用於生物醫學實體表示的預訓練模型，能夠準確捕捉生物醫學領域的細粒度語義關係，在生物醫學實體鏈接等任務中表現出色。它基於特定的預訓練方案，利用大規模生物醫學本體數據進行訓練，為生物醫學研究提供了強大的支持。

🚀 快速開始

SapBERT可用於將生物醫學實體名稱轉換為嵌入向量，在生物醫學實體鏈接等任務中發揮重要作用。以下是一個簡單的使用示例，展示瞭如何從SapBERT中提取嵌入向量。

✨ 主要特性

• 跨語言擴展：SapBERT有跨語言擴展版本，將在ACL 2021主會議中亮相。
• 多會議展示：SapBERT將出現在NAACL 2021會議論文集中。
• 精準語義捕捉：能夠準確捕捉生物醫學領域的細粒度語義關係。
• 高效實體鏈接：為醫學實體鏈接問題提供了優雅的一體化解決方案，在多個基準數據集上達到了新的最優水平。

📦 安裝指南

暫未提供具體安裝步驟，可參考SapBERT github倉庫獲取更多信息。

💻 使用示例

基礎用法

以下腳本將字符串列表（實體名稱）轉換為嵌入向量：

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")  
model = AutoModel.from_pretrained("cambridgeltl/SapBERT-from-PubMedBERT-fulltext").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][:,0,:] # use CLS representation as the embedding
    all_embs.append(cls_rep.cpu().detach().numpy())

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

📚 詳細文檔

SapBERT - PubMedBERT

SapBERT由Liu等人（2020）提出。使用UMLS 2020AA（僅英文）進行訓練，以microsoft/BiomedNLP - PubMedBERT - base - uncased - abstract - fulltext為基礎模型。

預期輸入和輸出

輸入應為生物醫學實體名稱的字符串，例如“covid infection”或“Hydroxychloroquine”。最後一層的[CLS]嵌入被視為輸出。

數據集

• UMLS

新聞動態

• [新聞] SapBERT的跨語言擴展版本將出現在ACL 2021主會議中！
• [新聞] SapBERT將出現在NAACL 2021會議論文集中！

🔧 技術細節

儘管通過掩碼語言模型（MLM）進行的自監督學習取得了廣泛成功，但準確捕捉生物醫學領域的細粒度語義關係仍然是一個挑戰。這對於實體鏈接等實體級任務至關重要，因為建模實體關係（尤其是同義詞）的能力是關鍵。為了解決這一挑戰，作者提出了SapBERT，這是一種對生物醫學實體的表示空間進行自對齊的預訓練方案。作者設計了一個可擴展的度量學習框架，該框架可以利用UMLS，這是一個包含400多萬個概念的大規模生物醫學本體集合。與以前基於流水線的混合系統相比，SapBERT為醫學實體鏈接（MEL）問題提供了一個優雅的一體化解決方案，在六個MEL基準數據集上達到了新的最優水平（SOTA）。在科學領域，即使沒有特定任務的監督，作者也達到了SOTA。與BioBERT、SciBERT和PubMedBERT等各種特定領域的預訓練MLM相比，作者的預訓練方案被證明既有效又穩健。

📄 許可證

本項目採用Apache - 2.0許可證。

📖 引用

如果您使用了該模型，請引用以下論文：

@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.",
}