BioELX：基於別名檢索和LLM排序的跨語言生物醫學實體鏈接
BioELX是一種新穎的跨語言生物醫學實體鏈接框架，無需標註訓練數據。它通過維基百科多語言別名增強SapBERT，並利用預訓練LLM進行上下文感知消歧。在五個基準測試中，BioELX實現了最先進的性能，尤其在土耳其語、韓語和泰語等低資源語言上表現突出。
文章情報
要點
- 提出BioELX，一種零樣本跨語言BEL框架，結合別名檢索和LLM排序。
- 第一階段：利用維基百科多語言別名豐富SapBERT訓練，提升候選檢索效果。
- 第二階段：使用預訓練LLM排序器進行上下文感知消歧，無需監督訓練。
- 在五個基準上達到最先進水平，低資源語言性能提升顯著。
為甚麼重要
這條新聞值得關注，因為提出BioELX，一種零樣本跨語言BEL框架，結合別名檢索和LLM排序。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
跨語言生物醫學實體鏈接（BEL）是一項關鍵任務，旨在將任意語言中的實體提及映射到生物醫學知識庫中的唯一標識符。這對於臨牀和生物醫學自然語言處理應用至關重要，例如從多語言電子健康記錄中提取信息、支持藥物發現和文獻挖掘。然而，構建專家標註的BEL訓練數據成本高昂，尤其是對於低資源語言，這使得傳統的監督學習方法難以擴展到多種語言。
現有的大多數跨語言BEL系統依賴於基於SapBERT的檢索器，而這些檢索器的訓練主要依賴於知識庫中的英文別名。這導致系統對非英文提及的泛化能力不足，並且缺乏上下文感知的消歧能力。為了克服這些限制，研究人員提出了BioELX，一個無需任務特定標註訓練語料的兩階段跨語言BEL框架。
在第一階段，BioELX通過從維基數據（Wikidata）中提取多語言別名來豐富SapBERT的訓練數據。這種增強使得檢索器能夠更好地處理非英文的實體提及，從而改進跨語言候選檢索的準確性和召回率。在第二階段，BioELX利用預訓練的大語言模型（LLM）作為排序器，該排序器聯合考慮提及的上下文和候選實體，進行上下文感知的消歧。這種方法完全避免了監督訓練的需求，使得BioELX能夠適用於任何語言而無需額外的標註數據。
研究團隊在五個基準數據集上進行了實驗，包括XL-BEL、EMEA、Patent、WikiMed-DE和MedMentions。結果證明，BioELX實現了新的最先進性能。在XL-BEL上，平均Recall@1提升了19.2個百分點，特別是對低資源語言，如土耳其語提升了21.6，韓語提升了22.1，泰語提升了30.8。此外，在EMEA、Patent和WikiMed-DE上，BioELX也分別帶來了6.2、5.4和12.8的持續改進。這些提升表明，BioELX在跨語言BEL任務上具有顯著的優越性。
BioELX的成功表明，通過結合多語言別名和LLM的上下文理解能力，可以在無需標註數據的情況下顯著提升跨語言BEL性能。該研究由Yi Wang等人完成，論文於2026年4月9日提交至arXiv，包含了12頁正文和3張圖表。代碼和相關資源將在論文發表後公開發布，這將進一步推動多語言臨牀和生物醫學NLP領域的發展。