引言
命名实体识别（NER）在生物医学领域，尤其是免疫学与免疫介导性疾病研究中面临独特挑战。由于存在复杂、嵌套和重叠的实体，通用NER模型难以捕捉免疫学文本中的专业术语和上下文歧义。现有系统在术语专门化和语境模糊性方面表现不佳，限制了其在生物医学下游应用中的有效性。为应对这些挑战，本研究提出一种领域自适应的NER框架，整合结构化跨度编码（SpanStructEncoder）与知识引导的解码策略（Contextual Constraint Decoding, CCD），旨在低资源和弱监督条件下提升识别准确性。
方法
任务形式化与跨度枚举
本研究将实体提取任务形式化为从标记序列到标记跨度的映射问题。给定文档集D，每个文档由Ti个标记组成，模型需预测一组带标签的跨度（s, t, y）。与传统基于BIOES的序列标注方法不同，本框架采用基于跨度的标注策略，通过枚举所有可能的候选跨度（最大长度Lmax）来捕捉嵌套和重叠结构。跨度嵌入通过多通道聚合构建，包括起始标记、结束标记、跨度内均值与最大值，以及位置编码，形成最终表示rs,t。
SpanStructEncoder架构
SpanStructEncoder是本研究核心组件，通过多通道跨度聚合、结构注意力图和类型感知一致性正则化，增强对嵌套实体的建模能力。
- •
多通道跨度聚合：结合边界敏感特征（如起始/结束标记）与内容敏感特征（如跨度内统计量），并引入门控机制自适应加权不同通道。
- •
结构注意力图：构建跨度级图结构，节点代表候选跨度，边基于语义相似性或结构关系（如重叠、嵌套）。通过图注意力机制传播上下文信息，提升跨度表示的交互感知能力。
- •
类型感知一致性正则化：在弱监督环境下，通过对齐跨度嵌入与类型特定原型，减少类内方差，增强模型鲁棒性。引入对比损失项，鼓励正确类型间距小于错误类型。
上下文约束解码（CCD）
CCD模块通过约束优化提升预测一致性：
- •
约束基于跨度选择：在最大化模型置信度的同时，施加重叠惩罚（Coverlap）和类型冲突惩罚（Cconflict），并通过上下文一致性奖励（Kcontext）提升语义连贯性。
- •
图引导上下文传播：利用跨度级图结构，通过消息传递机制迭代更新跨度置信度，使预测受相关跨度影响，减少孤立异常。
- •
本体感知标签过滤：整合UMLS、MeSH等生物医学本体，定义类型兼容矩阵，过滤违反本体层次结构的预测，提升生物学合理性。
实验设置
评估采用免疫学相关数据集：NCBI Disease Corpus（疾病实体）、SNPPhenA（基因变异与表型关联）、HLA-SPREAD（HLA等位基因与疾病/药物反应关系）。模型以BioBERT为编码器，最大序列长度512，使用AdamW优化器（学习率3×10−5），在NVIDIA A100 GPU上训练。
结果与讨论
实验表明，本框架在F1值上显著优于BioGPT、BioLinkBERT和SciFive等基线模型。在NCBI Disease、SNPPhenA和HLA-SPREAD上分别提升2.82、3.45和2.72个F1点。消融实验验证了各模块贡献：移除结构注意力图导致性能最大下降，凸显其对嵌套实体建模的关键作用；约束解码与图传播机制分别提升精度和上下文一致性。结果证实，结合结构化跨度表示与本体感知解码能有效改善免疫学文本的实体提取。
结论与展望
本研究提出的NER框架通过SpanStructEncoder与CCD的协同，提升了免疫学领域实体识别的准确性与鲁棒性。未来工作将聚焦于计算效率优化，探索轻量级约束解码策略，并扩展模型至其他生物医学子领域，通过元学习或自适应约束框架增强跨领域泛化能力。
