基于数据增强的生物医学事件因果关系抽取产品系统

在生物医学文本挖掘领域，数据问题主要体现在数据稀缺性和类别不平衡性两个方面。基于此，提出一种融合大语言模型和数据增强策略的新型方法，通过生成式增强手段提升训练数据的多样性和代表性，以实现更高效、可靠的生物医学事件因果关系抽取。

该项目为基于大语言模型的文本因果关系抽取系统，主要用于自动识别生物医学文献中的事件因果关系，实现复杂文本信息的结构化分析。系统主要包括数据预处理模块、因果关系识别模型模块和结果评估模块。

在数据处理阶段，通过构建并清洗生物医学文本数据集，对原始数据进行标准化处理，并利用掩码语言建模方法进行数据增强，以缓解小样本与类别不平衡问题。在模型识别阶段，系统基于T5大语言模型构建因果关系三分类识别架构，实现文本中因果关系的自动识别与分类。系统最终能够输出因果关系预测结果，并提供模型评估指标，为生物医学文本分析提供辅助支持。

在项目中本人主要负责数据处理、模型设计与训练优化等核心技术工作。项目采用Python作为主要开发语言，结合深度学习框架实现模型训练与实验验证。

在数据预处理阶段，对Hahn-Powell生物医学数据集进行清洗与格式整理，并设计专属掩码策略，通过大语言模型生成伪样本，实现数据增强以缓解数据不平衡问题。在模型构建方面，基于T5大语言模型设计因果关系三分类识别架构，引入Soft Prompt技术对模型输入进行优化，通过冻结模型主体参数，仅训练Prompt向量的方式降低训练成本并提升模型泛化能力。

在模型训练阶段使用交叉熵损失函数进行优化，并通过F1值、召回率等指标对模型性能进行评估。最终系统在小样本场景下相比基线模型F1值提升约15%，有效提升了生物医学文本因果关系识别的准确性。