BioELX：基于别名检索和LLM排序的跨语言生物医学实体链接
BioELX是一种新颖的跨语言生物医学实体链接框架，无需标注训练数据。它通过维基百科多语言别名增强SapBERT，并利用预训练LLM进行上下文感知消歧。在五个基准测试中，BioELX实现了最先进的性能，尤其在土耳其语、韩语和泰语等低资源语言上表现突出。
文章情报
要点
- 提出BioELX，一种零样本跨语言BEL框架，结合别名检索和LLM排序。
- 第一阶段：利用维基百科多语言别名丰富SapBERT训练，提升候选检索效果。
- 第二阶段：使用预训练LLM排序器进行上下文感知消歧，无需监督训练。
- 在五个基准上达到最先进水平，低资源语言性能提升显著。
为什么重要
这条新闻值得关注，因为提出BioELX，一种零样本跨语言BEL框架，结合别名检索和LLM排序。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
跨语言生物医学实体链接（BEL）是一项关键任务，旨在将任意语言中的实体提及映射到生物医学知识库中的唯一标识符。这对于临床和生物医学自然语言处理应用至关重要，例如从多语言电子健康记录中提取信息、支持药物发现和文献挖掘。然而，构建专家标注的BEL训练数据成本高昂，尤其是对于低资源语言，这使得传统的监督学习方法难以扩展到多种语言。
现有的大多数跨语言BEL系统依赖于基于SapBERT的检索器，而这些检索器的训练主要依赖于知识库中的英文别名。这导致系统对非英文提及的泛化能力不足，并且缺乏上下文感知的消歧能力。为了克服这些限制，研究人员提出了BioELX，一个无需任务特定标注训练语料的两阶段跨语言BEL框架。
在第一阶段，BioELX通过从维基数据（Wikidata）中提取多语言别名来丰富SapBERT的训练数据。这种增强使得检索器能够更好地处理非英文的实体提及，从而改进跨语言候选检索的准确性和召回率。在第二阶段，BioELX利用预训练的大语言模型（LLM）作为排序器，该排序器联合考虑提及的上下文和候选实体，进行上下文感知的消歧。这种方法完全避免了监督训练的需求，使得BioELX能够适用于任何语言而无需额外的标注数据。
研究团队在五个基准数据集上进行了实验，包括XL-BEL、EMEA、Patent、WikiMed-DE和MedMentions。结果证明，BioELX实现了新的最先进性能。在XL-BEL上，平均Recall@1提升了19.2个百分点，特别是对低资源语言，如土耳其语提升了21.6，韩语提升了22.1，泰语提升了30.8。此外，在EMEA、Patent和WikiMed-DE上，BioELX也分别带来了6.2、5.4和12.8的持续改进。这些提升表明，BioELX在跨语言BEL任务上具有显著的优越性。
BioELX的成功表明，通过结合多语言别名和LLM的上下文理解能力，可以在无需标注数据的情况下显著提升跨语言BEL性能。该研究由Yi Wang等人完成，论文于2026年4月9日提交至arXiv，包含了12页正文和3张图表。代码和相关资源将在论文发表后公开发布，这将进一步推动多语言临床和生物医学NLP领域的发展。