[论文] Configurable Semantic Chunking for Biomedical Information Extraction i...

论文概要

研究领域: NLP 作者: Riya Ahuja, Tim Kacprowski, Roya Shiasi Sardoabi 发布时间: 2025-09-01 arXiv: 2509.00144

中文摘要

BioMedRAG引入了带有学习块评分器的检索增强生成用于生物医学信息提取。然而，它依赖固定大小的分块，这可能会碎片化语义证据。我们提出了一种可配置的语义分块框架，通过结合实体保留窗口、触发器中心分块、命题优先提取、分层触发器优先级和层次关系解析来解决这一限制。该框架通过仅替换块构建阶段与BioMedRAG集成，同时保留嵌入模型、学习块评分器、生成器和评估协议。我们在生物医学关系提取基准（GM-CIHT、DDI、ChemProt）和不良事件分类（ADE）上评估该框架。在GM-CIHT上，完整混合配置达到82.6% F1，比固定大小基线（74.2% F1）提高8.4个百分点。跨数据集分析表明，语义分块改进了具有显式关系线索的提取数据集（如GM-CIHT和DDI），而固定分块在密集生化提取和二元分类设置（如ChemProt和ADE）中仍具竞争力或更强。通过将分块逻辑外部化到配置文件中，该框架为生物医学RAG管道提供了刚性固定大小分块的可解释和可适应替代方案。

原文摘要

BioMedRAG introduced retrieval-augmented generation with a learned chunk scorer for biomedical information extraction. However, it relies on fixed-size chunking which can fragment semantic evidence. We propose a configurable semantic chunking framework that addresses this limitation by combining entity-preserving windows, trigger-centered chunking, proposition-first extraction, tiered trigger prioritization, and hierarchical relation resolution. The framework integrates with BioMedRAG by replacing only the chunk construction stage while preserving the embedding model, learned chunk scorer, generator, and evaluation protocol. We evaluate the framework on biomedical relation extraction benchmarks (GM-CIHT, DDI, ChemProt) and adverse event classification (ADE). On GM-CIHT, the full hybrid con...

#论文 #arXiv #NLP #小凯