sarus-tech/phee

# PHEE dataset

This dataset is port of https://github.com/ZhaoyueSun/PHEE,
the data used in: [``PHEE: A Dataset for Pharmacovigilance Event Extraction from Text``](https://arxiv.org/abs/2210.12560/)

# PHEE数据集
本数据集移植自 https://github.com/ZhaoyueSun/PHEE，其包含的数据被应用于论文[《PHEE：面向文本的药物警戒（Pharmacovigilance）事件抽取数据集》](https://arxiv.org/abs/2210.12560/)

原始信息汇总

PHEE数据集概述

数据集名称

• PHEE数据集

数据集来源

• 该数据集是https://github.com/ZhaoyueSun/PHEE项目的一部分。

数据集用途

• 用于论文《PHEE: A Dataset for Pharmacovigilance Event Extraction from Text》的研究，该论文可在arXiv上查阅。

搜集汇总

数据集介绍

构建方式

PHEE数据集专为药物警戒事件抽取任务而构建，源自Zhaoyue Sun等人的研究工作，其原始数据与代码托管于GitHub仓库。该数据集通过系统性地从生物医学文本中提取与药物不良事件相关的信息，构建了包含事件触发词、论元角色及实体间语义关系的标注样本。构建过程严格遵循药物警戒领域的专业规范，确保每条样本均经过人工校验与多轮质量控制，从而保证了数据标注的准确性与一致性。

特点

PHEE数据集的核心特点在于其聚焦于药物警戒事件抽取这一细粒度自然语言处理任务，涵盖了丰富的药物-事件交互类型。数据集中不仅包含了常见的药物不良反应描述，还涉及剂量、频率、患者群体等关键论元信息，形成了多维度的语义结构。此外，该数据集在标注粒度上兼顾了触发词识别与论元角色分类，为端到端的事件抽取模型提供了高质量的基准资源，特别适用于医疗文本中的安全信号检测研究。

使用方法

使用PHEE数据集时，研究者可将其直接加载为序列标注或基于跨度的事件抽取格式，适配主流的深度学习框架如PyTorch或TensorFlow。数据集的划分通常遵循原始论文中的训练、验证与测试集比例，以便于模型性能的横向比较。推荐在使用前对文本进行领域特定的预处理，如术语标准化与实体链接，同时可结合预训练语言模型（如BioBERT或PubMedBERT）进行微调，以充分挖掘药物警戒事件中的语义关联。

背景与挑战

背景概述

药物警戒事件抽取是自然语言处理与生物医学信息交叉领域的重要研究方向，旨在从海量非结构化文本中自动识别与药物安全性相关的关键事件。PHEE数据集由Zhaoyue Sun等研究人员于2022年创建，源自其发表于arXiv的论文《PHEE: A Dataset for Pharmacovigilance Event Extraction from Text》。该数据集聚焦于从医学文献中提取药物不良事件、适应症、药物名称等实体及其关系，填补了药物警戒领域高质量标注数据的空白。其发布为构建可自动监测药物安全性的智能系统提供了基准资源，推动了信息抽取技术在真实医疗场景中的应用，对提升公共卫生监测效率具有显著影响力。

当前挑战

PHEE数据集面临的核心挑战在于药物警戒事件抽取任务的复杂性。领域问题层面，医学文本中药物不良事件表达高度多样化，涵盖缩写、同义术语及隐含关系，现有模型难以准确识别细粒度事件边界。构建过程中，数据集需从海量文献中筛选并标注专业术语，人工标注成本高昂且依赖临床专家知识，导致标注一致性难以保证。此外，药物名称与事件之间的多义词歧义及长距离依赖关系进一步加剧了抽取难度，限制了模型在真实场景中的泛化能力与鲁棒性。

常用场景

经典使用场景

在药物警戒与生物医学自然语言处理领域，PHEE数据集为从非结构化文本中抽取药物不良事件提供了标准化的评估基准。该数据集聚焦于药物与不良反应之间的语义关系识别，支持序列标注与关系抽取等经典任务，研究者可基于其标注体系构建端到端的事件抽取系统。

衍生相关工作

围绕PHEE数据集衍生了一系列开创性工作，包括基于预训练语言模型（如BioBERT）的微调策略、对比学习增强的少样本事件抽取方法，以及融合知识图谱的跨文档推理框架。这些研究不仅验证了数据集在跨域迁移中的鲁棒性，还催生了药物安全领域专用语言模型评测体系的建立。

数据集最近研究

最新研究方向

在药物警戒领域，事件抽取作为从非结构化文本中自动识别药物不良反应的关键技术，正日益受到学界与业界的关注。PHEE数据集的提出，为这一前沿研究方向提供了标准化的评估基准，其聚焦于从医疗文献、临床报告等文本中精准抽取药物与不良事件之间的语义关系。近期研究围绕该数据集展开，旨在探索基于预训练语言模型（如BioBERT、PubMedBERT）的细粒度事件抽取架构，并结合对抗训练与知识增强策略提升模型在低资源场景下的泛化能力。该数据集的出现不仅推动了药物安全监测从人工审查向智能预警的范式转变，更与全球药物警戒体系对实时性、自动化需求的提升紧密呼应，具有重要的公共卫生意义与产业应用价值。