文献中生物信息学软件命名实体识别的自动化方法

摘要

生物信息学软件和数据库是生命科学研究的重要工具，但其文献提及常不一致，难以大规模识别。研究者提出混合命名实体识别框架 SNAIL，用于自动识别生物医学文本中的软件/数据库名称。SNAIL 结合词汇与语义建模：词汇模块捕捉拼写和上下文线索，语义模块利用 SciBERT 等 transformer 模型的上下文嵌入，并加入显式 token 掩码策略增强实体表征。训练语料通过引文提示提取与大语言模型辅助蒸馏自动构建。在两个独立基准数据集和真实论文上的评估显示，SNAIL 明显优于 bioNerDS2 及 ChatGPT、Gemini、Grok、Claude 等现有方法。大规模文献分析还揭示了不同生物信息学子领域在期刊层面的偏好。