信息速览

数据集名称DDI Corpus — 药物相互作用抽取黄金语料

数据类型人工标注,文本数据,公开评测数据

规模不适用（文本语料，非患者级数据）

接入方式DrugBank 药物专论 792 篇 + Medline 摘要 233 篇（共 1,025 篇），人工标注 18,502 个药理学实体与 5,028 条 PK/PD 药物相互作用，XML 格式

AI 就绪度

DDI Corpus（ddi-corpus）— 药物相互作用抽取黄金语料

一句话定义：DDI Corpus 是 2013 年由西班牙 UC3M 与德国 DFKI 联合发布、手工标注 1,025 篇生物医学文本、含 18,502 个药理学实体与 5,028 条药物-药物相互作用的关系抽取语料，也是 SemEval-2013 Task 9 挑战赛的官方黄金标准。

阅读提示：本文面向生物医学 NLP 研究者、信息抽取/关系抽取模型开发者、药物安全与药物警戒研究人员，以及需要评估「药物-药物相互作用」抽取系统的工程团队。若你只想知道「这是不是我要的数据集、怎么拿到、许可怎么算」，请直接跳到 §1 速览与 §6 获取与许可。

§0 导读：这个数据集解决什么问题

0.1 一个三十年未解的信息过载问题

药物相互作用（drug-drug interaction，DDI）指一种药物影响另一种药物的活性、代谢或毒性，从而导致疗效改变或不良反应风险上升。临床上 DDIs 是导致住院与不良事件的重要原因，而关于 DDIs 的知识却散布在数以千万计的论文摘要、药品说明书、药物专论与病例报告中。论文开篇即点明这一矛盾：DDIs 的管理是一个关键问题，其根源在于可用信息量已经压倒性地庞大（“a critical issue resulting from the overwhelming amount of information available on them”）。

自然语言处理（natural language processing，NLP）被视为降低这一负担的可行路径：让机器自动从海量生物医学文本中识别药物实体、抽取出「药物 A 与药物 B 存在某类相互作用」的断言，从而把人工逐篇阅读的时间成本压缩几个数量级。但 NLP 方法有一个前提——它几乎完全依赖带标注的语料。没有语料，就没有可以训练、可以评测、可以横向比较的模型。

0.2 语料空白：为什么需要一个 DDI 专用语料

作者指出，在 DDI Corpus 出现之前，生物医学领域并非没有标注语料。相反，存在若干标注了生物实体及其关系的语料（例如面向蛋白质-蛋白质相互作用 PPI 的资源）。但存在两个明确缺口：

缺少以「药理学物质（pharmacological substances）」为标注对象的语料——已有的 PPI 语料标注的是蛋白质、基因，而非药物；而药物的命名系统（品牌名、通用名、研究代号、复方组分）与蛋白质命名差异巨大，不能直接复用。
既有关注 DDI 的工作只覆盖药代动力学（pharmacokinetic，PK）相互作用，而忽略了药效动力学（pharmacodynamic，PD）相互作用。PK 指一方药物改变另一方的吸收、分布、代谢、排泄（即「体内过程」）；PD 指一方药物改变另一方的药理效应（即「作用强度」）。只标注 PK 会系统性漏掉大量临床相关的相互作用。

DDI Corpus 正是为填补这两个缺口而构建：一个以药理学物质为实体、同时覆盖 PK 与 PD 两类相互作用的细粒度（fine-grained）人工标注语料。

0.3 它的历史地位：从语料变成基准

DDI Corpus 的价值不止于「一份标注数据」。它被直接采纳为 SemEval-2013 Task 9（DDIExtraction 2013） 的官方黄金标准——这是一个有 14 支来自 7 个国家的队伍参加的公开评测任务。语料因此同时具备了三种身份：

训练资源：约 77% 的文档用于训练各家系统；
评测基准：两个子任务的测试集统一，使不同系统可被严格横向比较；
方法论范本：配套发布的标注指南（annotation guidelines）与观察者间一致性（inter-annotator agreement）报告，成为后续生物医学语料构建的可参照流程。

十余年来，DDI Corpus 一直是 DDI 抽取研究绕不开的基准，大量基于 CNN、RNN、注意力机制、BERT 乃至 PubMedBERT 的系统都在其上报告结果。

0.4 本文的组织

本文按「是什么 → 里面有什么 → 怎么标 → 怎么用 → 怎么评估 → 怎么拿 → 在生态里处于什么位置 → 有什么坑」的顺序展开，覆盖 §1 到 §10，并附 FAQ、事实清单、术语表与十七个附录。所有硬数字均标注口径（JBI 终版 vs SemEval 发布版），双口径冲突逐条存照（见附录）。

§1 数据集速览：十问十答

#	问题	回答
1	这是什么类型的资源？	生物医学文本的关系抽取标注语料（text corpus），不是数据库、不是知识库、不是影像数据
2	谁做的？	西班牙马德里卡洛斯三世大学（UC3M）计算机科学系 LABDA 组 + 德国 DFKI 语言技术实验室
3	什么时候发布？	2013 年（JBI 2013 年 10 月刊；挑战赛 *SEM 2013 年 6 月）
4	规模多大？	1,025 篇文本（792 DrugBank 专论 + 233 Medline 摘要）；18,502 个药理实体；5,028 条 DDI
5	文本从哪来？	DrugBank 药物专论 + Medline 期刊摘要两个来源
6	标注了什么？	药理学实体（drug/group/brand/drug_n）+ 药物相互作用（mechanism/effect/advice/int 四类，含 PK 与 PD）
7	什么格式？	XML，遵循 Pyysalo et al. (2008) 提出的 PPI 语料统一格式
8	有没有评测基准？	有，SemEval-2013 Task 9（DDIExtraction 2013），最佳系统 F1 分别 71.5%（实体识别）/ 65.1%（DDI 检测分类）
9	许可怎么算？	学术研究免费（free for academic research），非标准 CC 许可；商用须另行联系团队
10	怎么拿到？	从官方主页 labda.inf.uc3m.es/ddicorpus 获取（抓取时点官网不可达，见 §6 与附录 M）

一句话选型判据：如果你做的是生物医学文本的药物实体/关系抽取，需要在公认基准上报告结果，或者要构建药物知识图谱的文本侧监督信号——这是首选语料之一。如果你要的是结构化的药物相互作用数据库（含相互作用严重程度、临床建议等字段），请转向 DDInter、TWOSIDES 等数据库型资源（见 §9）。

1.1 定位坐标：语料 vs 数据库

理解 DDI Corpus 的第一要点，是分清它与「药物相互作用数据库」的根本差异：

维度	DDI Corpus（本条目）	数据库型资源（如 DDInter/TWOSIDES）
数据形态	非结构化文本 + 标注	结构化条目（药物对 → 相互作用类型/严重度）
核心用途	训练/评测文本挖掘模型	查询、临床决策参考、统计分析
标注对象	文本中的实体 span 与关系	化学实体对与关系属性
典型产出	能读文本的抽取模型	能查关系的知识库
是否含原文	含（DrugBank 专论 + Medline 摘要）	通常不含原文

二者并非替代关系，而是上下游：DDI Corpus 训练出的抽取模型，可以用于从文献中自动扩充数据库型资源；反之，数据库可作为抽取结果的规范化（normalization）词表。本条目与库内 ddinter（rid=1100）正是这一互补关系的两端。

§2 数据构成与规格

2.1 规模、来源与机构构成

DDI Corpus 由两个来源的文本合并而成，这一双源结构是它最重要的设计特征，也是理解后续诸多现象（性能差异、一致性差异、类别失衡）的钥匙。

来源一：DrugBank 药物专论（792 篇）

DrugBank 是一个综合性的药物与药物靶点数据库，其药物专论（drug monograph）章节专门描述每种药物的药理、适应证与相互作用。作者从中选取了792 篇描述药物相互作用的文本。选择 DrugBank 的理由很直接：它的专论主题聚焦于药物本身及其相互作用，语言相对规范，药物实体密度高——这使它成为「更容易」的标注源，标注一致性也更高。

来源二：Medline 摘要（233 篇）

Medline（PubMed 背后的书目数据库）收录了海量生物医学期刊摘要。作者选取了 233 篇与药物相互作用相关的摘要。与 DrugBank 不同，Medline 摘要的主题是发散的——一篇摘要可能主要讨论某种疾病的机制，DDI 只是顺带提及；且摘要中常出现大量未获批或研究阶段的物质、复方、以及容易与药物混淆的非药物实体。这使它成为「更难」的标注源。

合并后的规模（JBI 终版口径）：

文档总数：1,025（792 + 233）
药理学实体：18,502
药物相互作用：5,028

SemEval-2013 发布版口径：1,017 篇（784 DrugBank + 233 Medline）、18,491 个实体、5,021 条 DDI。两口径的差异与取舍详见 §2.5 与附录 B。

2.2 双源结构带来的系统性差异

双源并非简单叠加，而是引入了可测量的分布差异：

属性	DrugBank 子集	Medline 子集
文档数	792	233
文本长度	较长（专论章节）	较短（摘要）
主题聚焦度	高（专论即讲药物）	低（摘要主题发散）
药物实体密度	高	相对低
标注一致性（Kappa）	0.80 以上（最高 0.96）	0.55-0.72
系统抽取性能	显著更高	显著更低

论文对性能差异给出的解释是：DrugBank 文本把 DDI 作为核心主题，实体与关系的语言学线索更集中；而 Medline 摘要的主题未必是 DDI，且「区分某种物质是否为药物」本身就很困难——这直接拉低了两者的一致性与系统表现。这一发现对使用者的含义是明确的：任何在 DDI Corpus 上报告的指标，都必须注明是 DDI-DrugBank 子集还是 DDI-Medline 子集，或是否为全量，否则不可比。

2.3 实体类型体系：四个子类

语料标注的药理学实体并非单一「drug」类，而是细分为四个子类型，这一细分在训练集上呈现出清晰的分布（见下表）。区分它们的意义在于：

drug：已批准的药物通用名（如 metformin）；
group：药物类别/药物组（如「NSAIDs」这类泛指群体，而非单个分子）；
brand：商品名/品牌名（如某个具体厂牌的制剂名）；
drug_n：未获批准的物质、研究性化合物、实验用药等（“n” 取 “none/not approved” 之意）——这是 Medline 摘要中特别常见的一类，也正是最容易造成标注分歧的一类。

2.4 相互作用类型体系：四类 + PK/PD 二维

每一条 DDI 关系都带有类型标签，属于以下四类之一：

类型	含义	说明
mechanism	机制型	描述一方如何改变另一方的体内过程（PK 机制，如抑制代谢酶）
effect	效应型	描述一方如何改变另一方的药理效应/临床结果（PD）
advice	建议型	文本给出联合用药的处置建议（如「应避免联用」「需监测」）
int	交互型（int 类）	文中陈述存在相互作用但未明确归入上述三类的泛化表述

与这四类正交的是论文强调的 PK/PD 二分：语料同时覆盖药代动力学与药效动力学相互作用——这是相对早期只做 PK 的工作的关键进步。使用者应注意：四类标签是语言学/语用视角的分类，PK/PD 是药理学机制视角的分类，两者不是同一套标签体系，不应混用。

2.5 训练/测试划分与口径取舍

整体划分：约 77% 的文档被随机选入训练集，其余用于测试。

测试集：142 篇 DrugBank 文本 + 91 篇 Medline 摘要（合计 233 篇）。

关键设计：训练集对两个子任务完全一致（因为它同时含实体标注与 DDI 标注）。两个子任务的区别在测试集：

子任务	测试集构成	处理
Task 9.1（实体识别）	54 DrugBank + 58 Medline	剔除含 DDI 标注的文档，并移除实体标注交参赛者
Task 9.2（DDI 检测+分类）	158 DrugBank + 233 Medline	保留含交互文档及其实体标注（可兼作 9.1 的额外训练数据）

盲评集：另有一批 52 篇 DrugBank + 58 篇 Medline 摘要在评测中隐藏 gold 标注，用于校验。

为什么口径会不一致？ 这解释了 §2.1 的 1,025 vs 1,017 差异：Task 9.1 测试集构建时剔除了不含 DDI 的文档，使得「可用于任务评测的文档总数」小于「语料本体文档总数」。JBI 论文报告的是语料本体终版规模（1,025），SemEval 论文报告的是任务发布时的配置规模（1,017）。两者都对，只是统计对象不同。

2.6 训练集类别分布总表

SemEval-2013 论文 Table 1 给出了训练集与各测试集的完整统计。训练集细目如下（含句子级、实体级与关系级）：

统计项	训练集	Task 9.1 测试	Task 9.2 测试
文档数	572 DrugBank + 145 Medline = 717	54 + 58 = 112	158 + 233 = 391
句子数	5,675 + 1,322 ≈ 7,000 量级	—	—
drug	8,197	180	1,518
group	3,206	65	626
brand	1,423	53	347
drug_n	103	5	21
mechanism	1,260	0	279
effect	1,548	0	301
advice	819	0	215
int	178	0	94

从这张表可以读出三个使用上的关键事实：

Task 9.1 测试集的 DDI 类型计数全为 0——因为该测试集刻意剔除了含交互文档，只保留实体标注用来评实体识别；
int 类是长尾：训练集仅 178 例、Task 9.2 测试集仅 94 例，任何以 int 类为主的结论都难有统计效力；
drug 类主导实体分布：8,197 / (8,197+3,206+1,423+103) ≈ 63%，其余三类合计约 37%，drug_n 仅约 0.8%。

2.7 文本与文件的物理规格

格式：XML（每个文档一个 XML，遵循 Pyysalo et al. 2008 的 PPI corpora 统一格式——这一格式最初为蛋白质相互作用语料设计，DDI Corpus 沿用以获得生态兼容性）。
组织：按训练/测试分目录打包；配套发布标注指南 PDF。
提交格式：Task 9.1 要求参赛系统输出 ASCII 列表，每行 IdSentence|startOffset-endOffset|text|type；不连续实体（如 “aluminum and magnesium hydroxide”）在同一字段内用分号分隔各段的起止位置；同一句的多个提及各占一行。
语言：英文。
年份：文本采集与标注大体在 2011-2013 年。

2.8 与 PANDA-PLUS 那类「三层异构可获取性」的对照

作为 AI-Ready 评估的一部分，值得注意的是 DDI Corpus 的可获取性是单一层的：语料本体与标注指南在同一个入口、同一套许可下发布，不存在「数据本体公开但标注请求制」的分层结构（这一点与影像类数据集常见的三层异构形成鲜明对照）。这带来一个明确的好处——可复现性高：任何研究者拿到同一份包，看到的就是同一份训练/测试划分，评测结果天然可比。代价则集中在许可的非标准化上（见 §6）。

§3 标注方法学：一份语料如何被造出来

3.1 标注指南先于标注

DDI Corpus 方法与多数成熟语料一致地遵循一条原则：先写规范，再标数据。团队为其制定了详细的标注指南（annotation guidelines）——明确规定什么是药理学物质、四类实体子类如何区分、四类 DDI 关系如何判定、边界歧义如何处理。指南随语料一同发布，其作用有三：

约束标注者：减少不同标注者之间的语义漂移；
指导使用者：让下游研究者理解标签的判定标准，避免误用；
可复现：使他人能按同一标准扩展或重标。

3.2 双标注者与观察者间一致性

语料由两名标注者独立标注，随后通过测量**观察者间一致性（inter-annotator agreement）**来评估标注质量。论文报告的 Cohen’s Kappa 结果为：

总体几乎完美：Kappa 最高达 0.96，一般高于 0.80；
例外：Medline 的 DDI 标注一致性明显偏低，落在 0.55-0.72 区间。

0.80 通常被视为「高度一致」的门槛，0.96 接近理论上限，这说明 DrugBank 子集的标注质量非常高。而 Medline 的 0.55-0.72 属于「中等一致」，反映了该来源的固有难度：主题发散、物质命名不规范、药物与非药物界限模糊。

3.3 为什么 Medline 更难：三个可解释的原因

第一，主题漂移。DrugBank 专论天然以「这个药」为中心，DDI 是其必然内容；Medline 摘要则可能只在讨论疾病机制时顺带提到某个药物组合，标注者需要判断「这句话算不算在陈述一条 DDI 关系」。

第二，实体边界歧义。Medline 中大量出现复方、联合用药表述、以及「铝和氢氧化镁」这类不连续实体（discontinuous entity）——这正是任务提交格式要求用分号分隔多段 span 的原因。

第三，是否算药物的判定。Medline 摘要常提及维生素、膳食补充剂、研究性化合物、甚至非药理物质。判断某个名词是否属于「药理学物质」，本身就是一道有争议的题——这也是语料专门设置 drug_n 子类（未获批/研究性物质）的原因。

3.4 从语料到挑战赛：DDIExtraction 2013 的实施

语料被直接投入 SemEval-2013 Task 9。该任务拆分为两个子任务并共享同一训练集：

Task 9.1：药物实体识别与分类（NERC）。参赛系统读取句子、输出实体 span 与子类。
Task 9.2：DDI 检测（是否成对交互）与分类（四类之一）。在检测基础上进一步判类型。

评测采用 micro-averaged F1（对全部实体类型统一计算）作为主线，同时对每一类分别算 precision/recall/F1 并给出 macro-average。论文解释了为何两套都要看：不同实体类型的实例频率差异极大，只看 micro 会被高频类主导，只看 macro 又会让稀有类等权放大小样本噪声。

此外评测区分 STRICT 与relaxed 两种匹配口径：strict 要求实体边界与类型都完全正确，relaxed 允许只判对 span 或只判对类型——论文明确说明这一设计是为了观察「系统是否至少抓住了实体边界」与「是否能给对类型」两项能力。

3.5 任务规模与参与度

DDIExtraction 2013 吸引了 14 支队伍、来自 7 个国家 参与。任务涵盖的不只是 DDI 检测，还包括分类——这是相对 2011 年 DDIExtraction（只识别所有可能交互的药物对）的明确增量。论文也指出，由于训练/测试配置不同，2011 与 2013 的结果不能直接比较——这一提醒对任何试图跨年份对比排行榜的读者都适用。

3.6 语料构建的可迁移经验

从方法学视角，DDI Corpus 的构建留下三条可迁移经验：

双源设计是有意为之的难度谱：用一个「易」源（DrugBank）与一个「难」源（Medline）组合，既能提供高质量训练信号，又能逼出跨域泛化问题。
一致性报告要分源披露：如果只报总体 Kappa 0.96 而不报 Medline 的 0.55-0.72，使用者会误判语料难度；分源披露是负责任的做法。
发布格式选择影响生态采纳：沿用 PPI 语料的统一格式（Pyysalo et al. 2008），使 DDI Corpus 能直接复用已有的生物医学关系抽取工具链，显著降低了采纳门槛。

§4 数据字段与结构：XML 里到底有什么

4.1 Pyysalo 统一格式的由来

DDI Corpus 采用 Pyysalo et al. (2008) 为 PPI 语料提出的统一格式（unified format）。这一决策的技术含义是：DDI Corpus 不必自造一套 schema，而是继承已被生物医学关系抽取社区接受的 XML 结构——文档层、句子层、实体层、关系层四层嵌套。

4.2 四层结构

一个典型的文档 XML 在逻辑上包含四个层次：

层	内容	作用
document	文档元信息（来源、ID）	区分 DrugBank 专论 vs Medline 摘要
sentence	句子切分与句子 ID	提供关系抽取的上下文单位与坐标锚点
entity	实体 span（起止字符偏移）+ 类型	drug / group / brand / drug_n
pair / relation	实体对 + DDI 类型	mechanism / effect / advice / int

句子是关键的原子单位：DDI 标注以句子为上下文边界，这也解释了为什么任务提交格式以 IdSentence 开头——关系判定不跨句。

4.3 实体标注的字段语义

每个实体标注至少携带：

文本（text）：表面形式；
类型（type）：四子类之一；
字符偏移（offsets）：在所属句子内的 start-end 位置。

对不连续实体（如复方名 “aluminum and magnesium hydroxide”），字段用分号分隔各片段的起止位置。这是语料处理复方与并列结构的技术方案，也是使用者在解析时必须专门处理的边界情况。

4.4 关系标注的字段语义

每条 DDI 关系连接两个实体并带类型标签。使用者在解析时应留意：

关系的两个端点都是已标注实体（drug 类的某一子类）；
关系类型是四类之一（mechanism/effect/advice/int），而不是 PK/PD 标记——PK/PD 是需求层面的分类，需靠类型语义推断（如 mechanism 多对应 PK，effect 多对应 PD）；
同一文本可能蕴含多条关系，关系不互斥。

4.5 解析建议：三个容易踩的结构坑

坑 A：不连续实体会让朴素 span 解析器出错。 若解析器假设「一个实体的起止偏移是一段连续区间」，遇到分号分隔的多段 span 会截断或错并。

坑 B：句子坐标 vs 文档坐标。 任务提交格式的偏移是句子内偏移，而不少预处理脚本习惯用文档级偏移——两者混用会导致实体与文本对不上。

坑 C：drug 与 drug_n 的混淆。 下游若把 drug_n 当作普通药物并入实体库，会把研究性化合物混入已批准药物词表，污染知识图谱。

4.6 数据字典速查表

字段/标签	取值	含义
source	DrugBank / Medline	文本来源，决定子集归属
entity.type	drug	已批准药物通用名
entity.type	group	药物类别/群体泛指
entity.type	brand	商品名/品牌名
entity.type	drug_n	未获批/研究性物质
relation.type	mechanism	机制型相互作用
relation.type	effect	效应型相互作用
relation.type	advice	建议型表述
relation.type	int	泛化交互表述
offset	start-end	句子内字符偏移（不连续用分号）

§5 评测与基准结果：DDIExtraction 2013 告诉了我们什么

5.1 两个子任务的最佳成绩

论文报告的核心结果：

子任务	目标	最佳系统 F1
Task 9.1	药理学物质识别与分类	71.5%
Task 9.2	DDI 检测与分类	65.1%

这两个数字此后成为 DDI 抽取领域的标志性基准点。它们传达的判断是：截至 2013 年，通用的实体识别尚可（71.5%），但把关系抽准抽全仍明显更难（65.1%）。

5.2 为什么关系任务更难

论文的解释链条清晰：实体识别只需在句子中框定 span 并分类；而 DDI 任务要在检测（这两个药物到底有没有交互）之上再做分类（属于四类中的哪一类）。检测就要求模型理解语义，分类则要求区分 mechanism/effect/advice/int 这几类在语言表面上高度相似的关系——尤其 advice（建议）与 int（泛化）之间的边界常常暧昧。

5.3 双源子集的结果落差

论文反复强调的一个结论是：DDI-DrugBank 子集的结果显著优于 DDI-Medline 子集。原因在 §3.3 已述——DrugBank 主题聚焦、语言规范；Medline 主题发散、实体歧义多、药物边界模糊。

对使用者的实际含义：一个在 DrugBank 子集上刷到高分的模型，未必能在 Medline 这类真实文献上复现。这也是为什么负责任的论文都会分开报告两个子集，或至少注明评估范围。

5.4 逐类难度的启示

论文不仅给总体 F1，还给出每个实体类型与每个关系类型的分项指标。这一设计揭示了不均衡：高频类（drug、effect、mechanism）相对可控，稀有类（int，训练集仅 178 例）则方差极大。用 int 类为主的结论去推广 DDI 抽取能力，是常见的统计学误用。

5.5 指标体系：micro / macro / STRICT / relaxed

阅读任何在 DDI Corpus 上的报告时，务必核对四个坐标：

micro 还是 macro：micro 被高频类主导，macro 等权稀有类；
STRICT 还是 relaxed：strict 要求边界+类型全对，relaxed 放宽；
哪个子集：DrugBank / Medline / 全量；
哪个子任务：9.1（仅实体）还是 9.2（关系）。

四个坐标任一不同，数字就不可直接比。这是使用这份语料最容易被忽视、也最容易出错的地方。

5.6 后续生态：从规则到预训练模型

DDI Corpus 发布后，成为数十项研究的评测对象，方法谱系大致经历了：

早期：基于词典/规则/CRF 与 SVM 的浅层机器学习；
中期：CNN、RNN（含 LSTM）、注意力机制；
近期：BERT 及生物医学域预训练模型（如 PubMedBERT、BioBERT）微调。

这一演进本身赋予语料新的价值：它成为衡量预训练语言模型在生物医学关系抽取上进步的固定标尺。语言模型的整体提升，直接体现在 DDI Corpus 上的 F1 抬升上——不同年份的报告数字因此带有「时间戳」意义，交叉对比时须注意模型代际差异。

5.7 引用与影响力

UC3M 机构库记录的引用情况显示，该论文（含语料）被引 397 次以上（Citation Indexes 口径），并有若干政策引用与大量读者提及。这一量级在生物医学 NLP 语料中属于头部水平，佐证了其「事实标准」地位。

§6 获取与许可：一份「学术免费」的语料怎么用才不越界

6.1 许可条款的口径来源

DDI Corpus 的许可声明没有采用 CC（Creative Commons）系列标准许可，而是团队自定义的表述。其权威来源是 JBI 论文摘要的原文：

“The DDI corpus and the annotation guidelines are free for use for academic research and are available at http://labda.inf.uc3m.es/ddicorpus.”

即**「供学术研究免费使用」**。这句话包含三个要素：

允许：学术研究用途，免费；
获取入口：官方主页 labda.inf.uc3m.es/ddicorpus；
隐含限制：授权范围限定在「academic research」，未明示商业使用许可。

6.2 「学术免费」意味着什么、不意味着什么

由于不是标准许可，使用边界需要靠语义解释。稳妥的理解如下表：

场景	是否在「academic research」范围内	建议
高校/科研机构做研究、发论文	✅ 是	直接使用，引用论文
学生课程项目/学位论文	✅ 通常是	使用并引用
公开发布基于它的模型权重	⚠️ 灰色	需说明训练数据来源与许可，谨慎
企业内部研发/产品	❌ 不在范围	须先联系 UC3M LABDA 团队取得书面许可
商业 SaaS 服务内部推理	❌ 不在范围	同上报批
二次分发语料本体	⚠️ 灰色	建议不自行转发，指向官方入口

关键提醒：由于许可非标准，不存在一个可以照抄的合规清单。凡涉及商用或再分发，正确做法是主动联系语料作者团队确认，而非依据「学界都这么用」的惯例推断。

6.3 两层版权：语料许可 ≠ 摘要版权

这是一个在使用 DDI Corpus 时极易被忽略、却对商用最致命的问题。语料包含 233 篇 Medline 摘要，这些摘要的原文版权属于其各自发表的期刊/出版商（或按 PubMed 政策管理）。因此存在两层权利：

第一层：UC3M 团队对语料标注与打包的许可（free for academic research）；
第二层：原始期刊/出版商对摘要原文的版权。

团队给出的「学术免费」授权，在法律上不能自动覆盖第二层——团队本身也只是摘要的使用者。即便你获得了团队的商业许可，摘要原文的商用仍需向原始版权方确认。这一风险对纯 DrugBank 子集较轻（DrugBank 自身有其许可），对 Medline 子集则是实质性的。本条目将此作为最高优先级的使用风险存照。

6.4 官方入口与抓取时点状态

官方主页：http://labda.inf.uc3m.es/ddicorpus
抓取时点（2026-10-16）状态：DNS 解析失败（HTTP 请求返回 curl exit=6，域名不可达）。因此本条目未能实抓官网页面以确认当前是否仍是开放直链下载、还是已改为表单申请制。
本条目许可口径的取证方式：依据 JBI 论文摘要原文 + SemEval 任务论文，二者均为可公开访问的一手论文文本，非二手转述。

给使用者的实操建议：若官网不可达，优先通过 UC3M 机构库（researchportal.uc3m.es）或直接联系作者（Isabel Segura-Bedmar，LABDA 组）获取语料；也可先在文献中检索他人报告的使用来源作参考，但务必回到团队寻求正式许可。

6.5 版本链与获取的「同一份包」原则

DDI Corpus 的版本链相对简单：

DDIExtraction 2011 语料（早期挑战赛版本）；
DDI Corpus / DDIExtraction 2013（本文主版本，1,025 篇）；
后续大量衍生模型在语料上训练评测，但语料本身未再发布新版（生态沿用，非语料版本迭代）。

因此，同一份包的复现性很高：任何研究者拿到的训练/测试划分应一致，评测结果天然可比。这一优点也意味着，若你手上的划分与他人报告不一致，很可能是自行重划分或误用了 2011 版——这是排查结果异常时的第一条线索。

6.6 AI-Ready 视角的可获取性小结

维度	评价
是否有公开入口	有（官网），但抓取时点不可达
是否请求制	论文口径为「可用」而非「需申请」，倾向开放获取
许可明确性	低——非标准许可，边界靠解释
版权清晰度	分层——摘要原文有第二层权利
可复现性	高——单包单划分

综合而言，DDI Corpus 的获取可复现性极高、许可明确性偏低。这是它与许多现代 CC 授权数据集相反的特征组合。

§7 生态与影响：一份语料如何演化成领域基础设施

7.1 谱系：从 2011 到 2013

DDI Corpus 不是凭空出现的。同一团队（UC3M LABDA 组）此前已组织过 DDIExtraction 2011 挑战赛。2011 版聚焦于「识别所有可能交互的药物对」，而 2013 版增加了关系分类（四类），并把语料规模与标注规范推进一步。这一「从检测到分类」的演化，是生物医学关系抽取任务成熟的通用路径——先找关系，再判类型。

理解这条谱系的意义在于：DDI Corpus（2013）是团队多年积累的结果，其标注规范代表了一次迭代后的稳定版本，这也是它被广泛采纳、长期不再改版的底气。

7.2 从语料到基准的跃迁

DDI Corpus 的历史地位，本质上是一次**「语料 → 基准」的跃迁**。语料只是数据，而基准是社区共同认可的评测标尺。跃迁的关键动作是把语料接入 SemEval-2013 Task 9 这一公开评测：

提供了统一的训练/测试划分；
提供了逐类指标的标准化报告口径；
吸引了 14 支队伍横向竞争。

一旦成为基准，它就获得了网络效应：后续研究为了与既有工作可比，被迫在同一个语料上报告——于是它自我强化为「事实标准」。这是数据资源影响力的典型机制，也解释了为什么它被引 397+ 次。

7.3 生态位：DDI 抽取研究的公共坐标

在 DDI 抽取研究中，DDI Corpus 扮演的是公共坐标原点：

任何新模型都要回答「在 DDI Corpus 上表现如何」；
不同时期的最佳 F1（71.5% / 65.1% 起步，后续被预训练模型推高）构成了一条可追踪的进步曲线；
语言模型代际（word2vec → ELMo → BERT → 域内预训练）的收益，在这条曲线上直接可见。

这使 DDI Corpus 的价值随时间不减反增——它记录了领域的技术演进。

7.4 与库内同域资源的关系

在千方病案医数集库内，与 DDI Corpus 构成生态关系的条目（建议互链）：

库内条目	rid	关系
`ddinter`	1100	互补：DDInter 是结构化 DDI 数据库，本条目是文本语料，构成「数据库 ↔ 抽取模型」上下游
`drugprot`	827	同域姊妹：化学-蛋白相互作用抽取黄金语料，与 DDI Corpus 同为 BioCreative/SemEval 系抽取基准
`medhop`	754	同域：药物相互作用多跳推理阅读理解数据集，可视为 DDI 的推理型衍生任务
`twosides`	254	同域：DDI 副作用数据集，提供「相互作用→不良反应」的下游关联
`intact`	582	方法论近邻：分子相互作用数据库，与语料的 PPI 格式渊源相关
`drugbank`（目录）	—	物源关联：本语料 792 篇文本取自 DrugBank

从检索视角看，DDI Corpus 与上述资源共同构成库内**「药物相互作用」知识簇**：语料（本条目）训练抽取模型 → 模型从文献挖掘 DDI → 结果规范化到数据库（ddinter/twosides）→ 下游关联不良反应（twosides）与推理（medhop）。这是药物警戒 NLP 的完整链路。

7.5 潜在应用场景

除纯学术评测外，DDI Corpus 的实际用途包括：

药物警戒（pharmacovigilance）自动化：训练模型从新发表文献中持续抽取新发现的 DDI，辅助安全信号监测；
药物知识图谱构建：提供文本侧监督信号，把非结构化文献转为结构化的「药物-药物」边；
临床决策支持：为处方审核系统提供从文献自动更新的相互作用来源；
标注方法论研究：作为高质量双标注语料，用于研究一致性评估与标注成本控制；
跨域泛化研究：双源结构天然提供 DrugBank→Medline 的域迁移实验床。

7.6 局限与边界

作为 2011-2013 年的资源，它的时代局限也需明示：药物名称与相互作用知识已演进，当代药物警戒直接使用需补充时效核对；英文单语意味着跨语言 DDI 需另找资源；句子级标注不支持跨句关系；类别长尾（int 类）限制了细粒度评测的统计效力。

§8 方法学启示：三条可迁移的经验

8.1 双源设计是刻意的难度工程

DDI Corpus 最值得借鉴的方法学决策，是用两个难度不同的源构建单一语料。DrugBank 提供高质量、高密度、高一致性的训练信号；Medline 提供真实文献的难度与歧义。其价值有三：

诊断力：性能落差直接暴露模型的跨域脆弱性；
可信度：在「易」源上刷分不足以证明泛化，双源报告更诚实；
实用性：Medline 代表真实临床文献场景，模型最终要面对的是它。

可迁移原则：构建评测语料时，不要把难度当成噪声消除掉，而应把难度谱系作为设计变量保留并显式报告。

8.2 一致性要分源、分任务披露

DDI Corpus 报告 Kappa 的方式是分源披露（DrugBank 0.80+ / Medline 0.55-0.72），而非只报一个总体高分。这一透明度直接决定了使用者能否正确判断语料质量。

可迁移原则：任何语料的质量指标（一致性、覆盖率、类别分布）都应按子群披露，单一总体数字往往掩盖最有信息量的差异。

8.3 格式继承降低生态采纳门槛

沿用 Pyysalo et al. (2008) 的 PPI 统一格式，使 DDI Corpus 无需自造工具链即可被既有生物医学关系抽取社区使用。这是**「格式即接口」**的典型胜利。

可迁移原则：新数据集在自创格式前，应先问「领域内是否已有被接受的标准格式」——继承格式的生态收益通常大于自定义的便利。

8.4 与影像类数据集的对照启发

与库内影像类条目（如 PANDA-PLUS 的三层异构可获取性）对照，DDI Corpus 展现了相反的可获取性哲学：单一入口、单一许可、强调可复现的固定划分，而非分层发放。两种哲学各有代价——前者牺牲许可精度换取复现性，后者追求发放控制却引入请求制摩擦。没有普适最优解，只有与受众匹配的选择：文本语料的受众是研究者，他们最看重的正是「拿到的就是别人跑的那个」。

8.5 基准的生命周期管理

DDI Corpus 十余年不改版，既是优点也是隐忧。优点是可比性稳定；隐忧是基准会饱和——当预训练模型把 F1 推高到接近上限，区分度下降，社区就需要更难的新基准（这解释了为何后续出现跨句、跨文档、多模态的 DDI 任务）。使用者在选型时应评估：你要的是可比性（用老标准）还是区分度（用新更难基准）。

§9 与库内条目的关系及检索路径

9.1 家族图谱

DDI Corpus 在库内「药物相互作用与生物医学关系抽取」簇中处于语料/基准层。图谱如下：

【语料与基准层】
  ddi-corpus (本条目) ──文本语料/抽取基准── DDI 抽取研究的公共坐标
  drugprot (827)     ──化学-蛋白相互作用抽取黄金语料（姊妹基准）
  medhop (754)       ──DDI 多跳推理阅读理解（推理型衍生）
        │
        ▼ 训练/评测产出抽取模型
【数据库层】
  ddinter (1100)     ──DDI 策展数据库（结构化关系）
  twosides (254)     ──DDI 副作用数据集（关系→不良反应）
  intact (582)       ──分子相互作用数据库
        │
        ▼ 物源
【原始物源】
  DrugBank ──本语料 792 篇文本来源

9.2 与 ddinter（rid=1100）的消歧声明

这是库内最需要消歧的一对条目，因为二者名称都含「DDI」，但为不同实体：

维度	ddi-corpus（本条目）	ddinter（rid=1100）
中文名	药物相互作用抽取语料	药物相互作用策展数据库
本质	文本 + 标注	结构化数据库
数据形态	XML 语料	数据库条目
主张	训练/评测 NLP 模型	查询相互作用关系
二者关系	互补，不合并	同左

结论：勿合并。 二者是「标注语料 ↔ 结构化数据库」的上下游互补关系，任何去重合并都会损失信息。

9.3 检索路径建议

路径 A：想做 DDI 抽取模型 → 本条目（语料）→ 读 §4 字段结构 → 参考 §5 指标体系 → 用附录 E 加载骨架起步。

路径 B：想要可查询的 DDI 关系 → 转向 ddinter (rid=1100) 或 twosides (rid=254)。

路径 C：想做药物安全的端到端 → 语料（本条目）训练抽取 → 结果规范化到 ddinter → 关联 twosides 的不良反应。

路径 D：比较不同关系抽取基准 → 本条目 + drugprot (827) 并列，二者分别是 drug-drug 与 chemical-protein 两个任务的黄金语料。

路径 E：研究标注方法学 → 本条目（双源双标注、分源 Kappa）+ 影像类语料（如 PANDA-PLUS）对照不同模态的标注组织方式。

9.4 与同名异实条目的避坑

库内 ddi（rid=171）是皮肤图像跨肤色公平性基准，与本文本语料同名异实。检索「DDI」时务必核对标题，避免误取。判断口诀：看副标题——「公平性基准」是影像，「药物相互作用抽取语料」是本文。

§10 避坑清单：八个已踩过的坑

以下坑点来自语料结构特性、许可条款与文献使用惯例的交叉分析，按危害程度排序。编号「坑 N」与文末附录 Q（坑点档案）对照。

坑 1：把 DDI Corpus 当成「结构化的相互作用数据库」使用

症状：检索者期望拿到「药物 A + 药物 B → 严重程度/临床建议」这样的表格条目，打开后发现是 XML 文本语料，期望落空。

根因：名称中的「DDI」与「Corpus」容易让人联想到数据库。实际上它是文本 + 标注，不含结构化的临床处置字段。

对策：先读 §1.1 的对比表明确形态；要结构化关系请转向 ddinter (rid=1100) / twosides (rid=254)。语料与数据库是互补，不是替代。

坑 2：忽略 1,025 vs 1,017 的双口径，直接引用导致数字对不上

症状：论文写 1,025 篇 / 18,502 实体 / 5,028 DDI，任务论文写 1,017 篇 / 18,491 实体 / 5,021 DDI，两个来源数字不一致，引用时不知该用哪个。

根因：统计对象不同——JBI 论文报语料本体终版规模，SemEval 论文报任务发布配置规模（Task 9.1 剔除了无交互文档）。两者都对。

对策：引用时必须注明口径来源。本条目以 JBI 终版为主口径、SemEval 发布版为注（见附录 B 双口径存照表）。

坑 3：在 DDI Corpus 上报告结果却不注明子集，导致指标不可比

症状：两篇论文都称「在 DDI Corpus 上 F1 达 X%」，但数字差异巨大，无法判断谁更强。

根因：DDI-DrugBank 子集成绩显著高于 DDI-Medline 子集（见 §5.3）。不注明子集，数字就没有共同坐标。

对策：报告时四坐标齐全——micro/macro、STRICT/relaxed、哪个子集、哪个子任务（9.1/9.2）。

坑 4：把「学术免费」当成可商用，踩进许可边界

症状：企业在产品中使用 DDI Corpus 训练模型，未意识到「free for academic research」不含商业授权。

根因：许可非标准 CC，边界靠语义解释；「学界都用」不等于「可以商用」。

对策：商用前主动联系 UC3M LABDA 团队取得书面许可（见 §6.2）。这是不可省的一步。

坑 5：忽略 Medline 摘要原文的第二层版权

症状：即便拿到了团队的商业许可，仍可能因 233 篇 Medline 摘要的原文版权属期刊而侵权。

根因：语料许可只覆盖团队对标注与打包的权利，不覆盖摘要原文（见 §6.3）。这是最隐蔽、也最致命的风险。

对策：商用场景须逐层确认——先团队打包许可，再摘要原文版权；无法确认时避免使用 Medline 子集。

坑 6：用朴素 span 解析器处理不连续实体

症状：解析 XML 时，遇到 “aluminum and magnesium hydroxide” 这类复方实体，实体文本被截断或错误合并。

根因：不连续实体在字段中用分号分隔多段 span，朴素解析器假设单段连续区间（见 §4.5 坑 A）。

对策：解析器显式处理分号分隔的多段偏移；对复方与并列结构单独测试。

坑 7：把 PK/PD 与四类关系标签混为一谈

症状：使用者尝试用 mechanism/effect/advice/int 直接推论 PK 或 PD，发现对不上。

根因：四类标签是语用视角分类，PK/PD 是药理学机制视角分类，二者正交、不是同一套体系（见 §2.4）。

对策：不要把四类硬映射到 PK/PD；需要 PK/PD 区分时依据类型语义与领域知识另行推断，并在报告中说明方法。

坑 8：在长尾类（int）上得出过强结论

症状：某系统在 int 类上 F1 很高/很低，被当作 DDI 抽取能力的证据。

根因：int 类是长尾——训练集仅 178 例、Task 9.2 测试集仅 94 例（见 §2.6），小样本导致方差极大。

对策：稀有类的分项指标只作诊断线索，不作能力结论；报告时给出样本量与置信区间。

FAQ（高频问答 34 问）

A. 基础认知

A1. DDI Corpus 到底是什么？
一份人工标注的生物医学文本语料，用于训练和评测「药物实体识别」与「药物-药物相互作用抽取」模型。不是数据库。

A2. 「DDI」在这里指什么？
Drug-Drug Interaction，药物-药物相互作用。

A3. 谁做的？
西班牙 UC3M（计算机科学系 LABDA 组）+ 德国 DFKI（语言技术实验室），作者 Herrero-Zazo、Segura-Bedmar、Martínez、Declerck。

A4. 什么时候发布的？
2013 年。JBI 论文 2013 年 10 月刊；挑战赛论文 *SEM 2013 年 6 月。

A5. 它和 SemEval 有什么关系？
它是 SemEval-2013 Task 9（DDIExtraction 2013） 的官方黄金标准语料。

A6. 为什么它重要？
它是 DDI 抽取领域事实标准的评测基准，被引 397+ 次，十余年来新模型都在其上报告结果。

A7. 它和库里的 ddi (171) 是一回事吗？
不是。ddi (171) 是皮肤图像公平性基准，与本条目同名异实。

B. 数据与结构

B1. 有多少篇文档？
1,025 篇（JBI 终版口径）：792 DrugBank 专论 + 233 Medline 摘要。

B2. 有多少标注实体和关系？
18,502 个药理学实体，5,028 条 DDI（JBI 口径）。

B3. 为什么有两个数字口径？
JBI 论文报语料本体终版（1,025），SemEval 论文报任务发布配置（1,017，剔除无交互文档）。见坑 2。

B4. 实体有哪些类型？
四类：drug（已批准药物）、group（药物类别）、brand（商品名）、drug_n（未获批/研究性物质）。

B5. 关系有哪些类型？
四类：mechanism（机制）、effect（效应）、advice（建议）、int（泛化交互）。

B6. 覆盖 PK 还是 PD？
两者都覆盖——这正是相对早期只做 PK 工作的关键进步。

B7. 文件是什么格式？
XML，遵循 Pyysalo et al. (2008) 的 PPI 语料统一格式。

B8. 有标注指南吗？
有，随语料发布。

B9. 什么语言？
英文。

B10. 有句子切分吗？
有。标注以句子为上下文单位，关系不跨句。

B11. 不连续实体怎么标？
字段内用分号分隔多段 span。

C. 获取与许可

C1. 从哪里下载？
官方主页 http://labda.inf.uc3m.es/ddicorpus（抓取时点不可达，见附录 M）。

C2. 许可是什么？
free for use for academic research——学术研究免费，非标准 CC 许可。

C3. 可以商用吗？
不在明示授权范围内，须联系 UC3M LABDA 团队取得书面许可。

C4. 需要申请吗？
论文口径倾向「可直接获取」，而非请求制；但官网当前状态待核。

C5. 可以二次分发吗？
不建议自行转发，建议指向官方入口；分发涉及版权与许可，谨慎为上。

C6. Medline 摘要的版权归谁？
归各自期刊/出版商，与语料打包许可是两层，商用需双重确认。

C7. 有版本更新吗？
语料本体自 2013 年后未再发布新版，保持固定划分以保可比性。

D. 评测与使用

D1. 最佳成绩是多少？
Task 9.1（实体识别）F1 71.5%；Task 9.2（DDI 检测分类）F1 65.1%（2013 考核基准）。

D2. 为什么关系任务更难？
检测之上还要分类，且四类语言表面相似。见 §5.2。

D3. 为什么 Medline 子集成绩低？
主题发散、实体歧义多、药物边界模糊。见 §3.3。

D4. 报告指标要注意什么？
四坐标：micro/macro、STRICT/relaxed、子集、子任务。

D5. 可以用它做知识图谱吗？
可以，作为文本侧监督信号训练抽取模型，再把抽取结果规范化进图谱。

D6. int 类能用吗？
样本极少（训练 178 例），只能作诊断，不能作能力结论。见坑 8。

D7. 现在还有必要用吗？
有。它是可比性锚点；但若追求区分度，应同时考虑更新的更难基准。

D8. 能用它做中文 DDI 吗？
不能直接用（英文语料），但可作方法迁移与标注规范参照。

D9. 药物名会过时吗？
会。语料年代为 2011-2013，当代药物警戒使用需补时效核对。

D10. 有跨句关系吗？
没有，标注限于句内。

事实清单（硬事实 36 条）

全称：The DDI corpus: an annotated corpus with pharmacological substances and drug-drug interactions。
发表期刊：Journal of Biomedical Informatics。
卷期页：2013 年，46 卷 5 期，914-920 页。
DOI：10.1016/j.jbi.2013.07.011。
PMID：23906817。
挑战赛论文：SemEval-2013 Task 9，ACL Anthology S13-2056，341-350 页。
机构：UC3M 计算机科学系 + DFKI 语言技术实验室。
作者：Herrero-Zazo、Segura-Bedmar、Martínez（UC3M）、Declerck（DFKI）。
文档总数（JBI 口径）：1,025。
DrugBank 文本：792 篇。
Medline 摘要：233 篇。
药理学实体数（JBI 口径）：18,502。
DDI 关系数（JBI 口径）：5,028。
文档总数（SemEval 口径）：1,017。
DrugBank 文本（SemEval 口径）：784 篇。
实体数（SemEval 口径）：18,491。
DDI 数（SemEval 口径）：5,021。
训练集占比：约 77%。
测试集（整体）：142 DrugBank + 91 Medline。
Task 9.1 测试集：54 DrugBank + 58 Medline。
Task 9.2 测试集：158 DrugBank + 233 Medline。
盲评集：52 DrugBank + 58 Medline。
训练集文档数：717（572 DrugBank + 145 Medline）。
训练集 drug 实体：8,197。
训练集 group 实体：3,206。
训练集 brand 实体：1,423。
训练集 drug_n 实体：103。
训练集 mechanism：1,260。
训练集 effect：1,548。
训练集 advice：819。
训练集 int：178。
实体子类：drug / group / brand / drug_n。
关系类型：mechanism / effect / advice / int。
一致性：Kappa 最高 0.96，一般 >0.80；Medline 的 DDI 为 0.55-0.72。
最佳成绩：Task 9.1 F1 71.5%；Task 9.2 F1 65.1%。
参与规模：14 支队伍、7 个国家；被引 397+ 次。

术语表（32 条）

术语	释义
DDI（drug-drug interaction）	药物-药物相互作用，一方药物改变另一方的活性、代谢或毒性
Pharmacological substance	药理学物质，语料的实体标注对象，含已批准药物与未获批物质
DDI Corpus	本条目所指的人工标注药物相互作用抽取语料
DDIExtraction 2013	SemEval-2013 Task 9 的任务名，以 DDI Corpus 为黄金标准
NERC	Named Entity Recognition and Classification，命名实体识别与分类
Relation extraction	关系抽取，从文本中识别实体间语义关系
drug（实体类）	已批准药物的通用名
group（实体类）	药物类别/群体泛指（如「NSAIDs」）
brand（实体类）	商品名/品牌名
drug_n（实体类）	未获批/研究性物质
mechanism（关系类）	机制型相互作用（多对应 PK）
effect（关系类）	效应型相互作用（多对应 PD）
advice（关系类）	联合用药的处置建议
int（关系类）	泛化交互表述（长尾类）
PK（pharmacokinetic）	药代动力学，涉及吸收/分布/代谢/排泄
PD（pharmacodynamic）	药效动力学，涉及药理效应改变
DrugBank	药物与靶点数据库，本语料 792 篇文本来源
Medline	PubMed 书目数据库，本语料 233 篇摘要来源
Pyysalo 统一格式	PPI 语料提出的 XML 标注格式，本语料沿用
PPI	Protein-Protein Interaction，蛋白质相互作用
Annotation guidelines	标注指南，规范实体与关系判定标准
Inter-annotator agreement	观察者间一致性，衡量标注可靠性
Cohen’s Kappa	扣除随机一致后的一致性系数
STRICT 匹配	严格匹配，实体边界与类型均须正确
relaxed 匹配	放宽匹配，允许仅判对边界或类型
micro-average	微平均，对全部类型统一计算（高频类主导）
macro-average	宏平均，对每类先算再平均（稀有类等权）
F1	精确率与召回率的调和平均
Pharmacovigilance	药物警戒，药物不良反应与相互作用的监测
XML	可扩展标记语言，语料文件格式
Gold standard	黄金标准，经人工标注的权威参考答案
Discontinuous entity	不连续实体，复方等跨多段文本的实体

附录

附录 A：条目信息速查卡

项	值
slug	ddi-corpus
中文名	药物相互作用抽取黄金语料
英文名	The DDI corpus
类型	生物医学文本关系抽取语料
规模	1,025 篇 / 18,502 实体 / 5,028 DDI（JBI 口径）
来源	DrugBank 792 篇 + Medline 233 篇
格式	XML（Pyysalo 统一格式）
语言	英文
发布	2013 年
论文	J Biomed Inform 2013;46(5):914-920
DOI	10.1016/j.jbi.2013.07.011
许可	free for academic research
获取	labda.inf.uc3m.es/ddicorpus
基准	SemEval-2013 Task 9
最佳成绩	71.5% / 65.1%
库内互链	ddinter(1100)、drugprot(827)、medhop(754)、twosides(254)

附录 B：双口径存照全表

指标	JBI 终版口径	SemEval-2013 发布版口径	差异	原因
文档总数	1,025	1,017	-8	Task 9.1 剔除无交互文档
DrugBank 文本	792	784	-8	同上
Medline 摘要	233	233	0	未变
药理学实体	18,502	18,491	-11	随文档增减
DDI 关系	5,028	5,021	-7	随文档增减

采信规则：语料规模类引用以 JBI 终版为主；任务配置类引用以 SemEval 发布版为准。两者并存，不取其一否定另一。

附录 C：逐项证据链自证

关键数字	来源	位置
1,025 / 792 / 233	UC3M researchportal + ACM 全文页 Highlights	全文页
18,502 / 5,028	JBI 论文摘要（PubMed 23906817）	摘要
1,017 / 784 / 18,491 / 5,021	SemEval-2013 论文 Table 1	PDF 第 3 节
142 + 91 测试划分	SemEval-2013 论文 §3	PDF
54+58 / 158+233	SemEval-2013 论文 Table 1	PDF
4 类关系定义	SemEval-2013 论文 §3	PDF
71.5% / 65.1%	JBI 论文摘要 + SemEval 论文	摘要/Table
Kappa 0.96 / 0.55-0.72	JBI 论文摘要	摘要
free for academic research	JBI 论文摘要原文	摘要
Pyysalo 统一格式	SemEval-2013 论文 §2	PDF
14 队 7 国	JBI 论文摘要	摘要
被引 397+	UC3M researchportal	机构库页

附录 D：数据获取决策树

需要药物相互作用相关资源？
├─ 要可查询的结构化关系 → ddinter (1100) / twosides (254)
├─ 要文本抽取训练/评测语料 → 本条目（ddi-corpus）
│   ├─ 做实体识别任务 → Task 9.1 配置（54+58 测试）
│   ├─ 做关系抽取任务 → Task 9.2 配置（158+233 测试）
│   └─ 做域迁移研究 → 分 DrugBank / Medline 子集报告
├─ 要化学-蛋白相互作用 → drugprot (827)
└─ 要做多跳推理 → medhop (754)

附录 E：语料加载与解析骨架（Python 伪代码）

# 说明：DDI Corpus 为 XML（Pyysalo 统一格式）。
# 下列为结构示意，实际标签名以随语料发布的 DTD/schema 为准。
import xml.etree.ElementTree as ET

def load_doc(path):
    tree = ET.parse(path)
    root = tree.getroot()
    entities, relations = [], []
    for sent in root.iter('sentence'):
        sid = sent.get('id')
        for ent in sent.iter('entity'):
            entities.append({
                'sid': sid,
                'text': ent.get('text'),
                'type': ent.get('type'),          # drug/group/brand/drug_n
                # 注意：不连续实体的 offset 可能含分号分隔的多段
                'offset': ent.get('charOffset'),
            })
        for pair in sent.iter('pair'):
            relations.append({
                'sid': sid,
                'e1': pair.get('e1'),
                'e2': pair.get('e2'),
                'type': pair.get('type'),         # mechanism/effect/advice/int
                'ddi': pair.get('ddi', 'true'),
            })
    return entities, relations

def parse_offsets(offset_str):
    """处理分号分隔的不连续实体偏移。"""
    parts = []
    for seg in offset_str.split(';'):
        start, end = seg.split('-')
        parts.append((int(start), int(end)))
    return parts

要点：parse_offsets 必须处理分号，否则不连续实体（坑 6）会被截断。

附录 F：四坐标评测报告模板

数据集：DDI Corpus
子任务：[Task 9.1 实体识别 / Task 9.2 DDI 检测+分类]
评估子集：[DDI-DrugBank / DDI-Medline / 全量]
匹配口径：[STRICT / relaxed]
平均方式：[micro-F1 / macro-F1]

结果（micro-F1）：
  总体：__
  按实体类型：drug __ / group __ / brand __ / drug_n __
  （若为 9.2）按关系类型：mechanism __ / effect __ / advice __ / int __

样本量提示：int 类样本极少，分项指标方差大，不作能力结论。

附录 G：与库内 ddinter(1100) 的关系声明

本条目（ddi-corpus）与库内 ddinter（rid=1100）名称相近但为不同实体：前者是文本抽取语料，后者是结构化策展数据库。二者构成药物警戒 NLP 的上下游链路，互补不合并。检索者若需结构化 DDI 关系请取 ddinter；若需训练抽取模型的标注语料请取本条目。

附录 H：与库内 drugprot(827) 的对照

维度	ddi-corpus（本条目）	drugprot (827)
任务	drug-drug 相互作用抽取	chemical-protein 相互作用抽取
组织方	UC3M+DFKI（SemEval-2013 T9）	BioCreative VII（DrugProt track）
语料渊源	DrugBank + Medline	PubMed 摘要 + 实体规范化
关系体系	mechanism/effect/advice/int	化学-蛋白关系多类体系
共同点	同为生物医学关系抽取黄金语料、同强调实体规范化	同左

二者可并列为「生物医学关系抽取双基准」，适合做跨任务方法对比研究。

附录 I：一致性统计口径说明

DDI Corpus 报告的 Cohen’s Kappa 是两名标注者之间的一致性。解读要点：

Kappa 扣除随机一致后计算，比裸一致率严格；
须分源解读：DrugBank 0.80+ 与 Medline 0.55-0.72 是两种难度的两张脸；
0.80 通常视为「高度一致」门槛，0.96 接近上限；
Medline 的 0.55-0.72 属「中等」，反映该源固有歧义，不代表标注者不称职。

附录 J：DDI 类型 × 子集计数总表

类型	训练集	Task 9.2 测试
mechanism	1,260	279
effect	1,548	301
advice	819	215
int	178	94

读表要点：Task 9.1 测试的关系计数全 0，因为该测试集刻意剔除含交互文档，只评实体识别。

附录 K：实体类型 × 子集计数总表

类型	训练集	Task 9.1 测试	Task 9.2 测试
drug	8,197	180	1,518
group	3,206	65	626
brand	1,423	53	347
drug_n	103	5	21

附录 L：文档与句子级计数总表（Table 1 摘要）

统计项	训练集	Task 9.1 测试	Task 9.2 测试
文档数	717	112	391
DrugBank 文档	572	54	158
Medline 摘要	145	58	233

附录 M：官方入口可达性核查记录

项	记录
URL	http://labda.inf.uc3m.es/ddicorpus
抓取时点	2026-10-16
结果	DNS 解析失败（curl exit=6）
影响	未能实抓官网确认下载表单/许可全文
备选取证	JBI 论文摘要原文 + SemEval 任务论文（均一手、可公开访问）
遗留疑点	官网当前是否在线、下载是否仍为直链——待人工复核
备用路径	UC3M 机构库 researchportal.uc3m.es / 直接联系 LABDA 团队

附录 N：许可条款细读

要素	内容	风险点
授权表述	free for use for academic research	非标准许可，边界靠解释
允许	学术研究免费使用	界定「学术研究」范围
未尽事项	商用、再分发未明示	须另行联系团队
分层版权	标注与打包归团队；摘要原文归期刊	第二层最易被忽视
合规动作	商用前取得书面许可	不可省

附录 O：使用合规自查清单

[ ] 我的用途是否属于「学术研究」？
[ ] 若为商用，是否已联系 UC3M LABDA 团队取得书面许可？
[ ] 若使用 Medline 子集，是否确认了摘要原文的版权状态？
[ ] 是否会在论文/产品中声明数据来源与许可？
[ ] 是否会自行分发语料包？（如是，建议改为指向官方入口）
[ ] 是否引用了 JBI 论文与（如适用）SemEval 任务论文？

附录 P：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	9	发表于 JBI 高可见期刊+SemEval 任务论文+UC3M 机构库，被引 397+，文献中极易检索；官网抓取时点不可达微降
A 可获取性	7	论文口径为学术免费可用、单一入口单一许可、固定划分可复现；扣分于官网不可达与非标准许可带来的边界模糊
I 可互操作	8	沿用 Pyysalo 统一 XML 格式，兼容既有生物医学关系抽取工具链；无现代 JSON/CoNLL 官方转换
M 元数据质量	8	标注指南+分源一致性报告+完整 Table 1 统计；双口径（1,025/1,017）需人工调和，微降分
S 可持续性	7	依托 UC3M 机构长期维护、发表稳定；但官网可达性存疑，无第三方权威归档（如 Zenodo）→ 单点风险
综合评级	7.8/10（良好）	作为十余年的领域基准，权威性与可复现性高；主要失分在未来可达性与许可标准化

附录 Q：坑点档案（与 §10 对照）

坑号	名称	危害	对策锚点
坑 1	当数据库用	期望落空	§1.1 / 附录 D
坑 2	双口径混用	引用数字矛盾	§2.1 / 附录 B
坑 3	不注明子集	指标不可比	§5.3 / 附录 F
坑 4	学术免费当商用	许可越界	§6.2 / 附录 N
坑 5	忽略摘要第二层版权	侵权	§6.3 / 附录 N
坑 6	不连续实体解析	实体截断	§4.5 / 附录 E
坑 7	PK/PD 与四类混用	标签误用	§2.4
坑 8	长尾类强结论	统计误用	§2.6 / 附录 J

附录 R：检索决策树

输入关键词「DDI」
├─ 想要文本抽取语料 → ddi-corpus（本条目）
├─ 想要结构化数据库 → ddinter (rid=1100)
├─ 想要副作用关联 → twosides (rid=254)
├─ 想要化学-蛋白抽取 → drugprot (rid=827)
├─ 想要多跳推理 → medhop (rid=754)
└─ 看到「公平性基准/皮肤图像」 → 那是 ddi (rid=171)，非本条目

§12 案例解剖：四个典型使用场景的完整走查

本节用四个具体场景，把前面各节的知识串成可操作的路径。每个场景给出「目标 → 步骤 → 陷阱 → 产出」。

12.1 场景一：训练一个 DDI 抽取基线模型

目标：在 DDI Corpus 上复现一个可发表的关系抽取基线。

步骤：

取语料：从官方入口或团队获取 XML 包（见 §6、附录 M），解压后确认 train/test 目录结构；
解析：用附录 E 的骨架解析 XML，务必处理不连续实体的分号偏移（坑 6）；
构建样本：以句子为单位，把「两个实体 + 上下文」作为输入，关系类型作为标签；不构成关系的实体对作负例；
注意类别失衡：int 类样本极少（训练 178 例），要么下采样其他类，要么对 int 用加权损失（坑 8）；
训练：从词向量基线到预训练模型逐步升级，记录每一代的 F1；
评测：按附录 F 四坐标报告——注明子任务、子集、匹配口径、平均方式；
对比：与 2013 年基准（71.5%/65.1%）对照，并说明模型代际差异（§5.6）。

陷阱：直接把全量文档混在一起训练却分开报告子集指标，会造成信息泄漏式的乐观偏差；若要报 Medline 指标，训练时应避免使用 Medline 测试文档。

产出：一份可复现的关系抽取基线 + 分源分任务的结果表。

12.2 场景二：构建药物相互作用知识图谱的文本侧管道

目标：用 DDI Corpus 训练抽取器，把文献自动转为图谱边。

步骤：

训练抽取器（同场景一）；
确定本体：图谱的节点是药物实体，边是相互作用；实体规范化（normalization）是成败关键——文本里的 “metformin”、“Glucophage®”、“二甲双胍” 必须映射到同一节点 ID；
区分 drug 与 drug_n：不要把 drug_n（未获批/研究性物质）直接并入已批准药物节点（坑 C 变体），否则污染图谱；
关系类型映射：把 mechanism/effect/advice/int 映射为图谱的边属性，不要硬映射到 PK/PD（坑 7）；
下游对接：抽取结果可与 ddinter(1100) 的策展条目比对，或用 twosides(254) 关联不良反应；
时效管理：因语料年代为 2011-2013，须定期用新文献重训或做增量抽取。

陷阱：忽略实体规范化，会得到一张「同一药物分裂成多个节点」的碎片化图谱。

产出：从文献自动扩充的 DDI 图谱边，可回溯到原文句子。

12.3 场景三：做跨域泛化研究

目标：研究模型从 DrugBank 域迁移到 Medline 域的能力衰减。

步骤：

利用双源结构：DrugBank 子集作训练集，Medline 子集作测试集（或反之），构造域迁移实验；
控制变量：保持模型超参不变，只变训练/测试源；
量化衰减：报告 DrugBank→DrugBank 与 DrugBank→Medline 两组指标的落差（§5.3 的现象复现）；
归因分析：分析错误类型——是实体边界错、实体类型错、还是关系分类错？Medline 的难点集中在药物边界模糊与主题发散（§3.3）；
方法探索：尝试域适应、对抗训练、数据增强等缓解手段。

陷阱：直接用全量训练的模型去报「跨域」结果，实际上没有跨域——必须先明确训练集与测试集的源划分。

产出：一份带错误归因的域迁移研究报告，可直接呼应 DDI Corpus 论文的原始发现。

12.4 场景四：为新产品做 DDI 相关功能前的合规评估

目标：在商业产品中利用 DDI Corpus（或其衍生模型）前，判断是否合规。

步骤：

判定用途性质：是学术研究还是商业产品？商业产品中「内部研发」与「对外服务」都属商用（§6.2）；
确认团队许可：联系 UC3M LABDA 团队，说明用途，取得书面许可；
剥离第二层风险：若使用 Medline 子集，须另行确认 233 篇摘要的原文版权（§6.3、附录 N）；
评估替代路径：若摘要版权无法厘清，考虑仅使用 DrugBank 子集，或改用自身文献库重新训练；
留痕合规：保留许可往来记录，在产品/论文中声明来源。

陷阱：把「学界都这么用」当作合规依据——这在法律上不成立（坑 4）。

产出：一份合规判定记录，或一条替代技术路径。

12.5 四个场景的共性主线

四个场景殊途同归，都指向同一组核心动作：明确口径（哪份数据、哪个子集）→ 正确处理结构（不连续实体、坐标）→ 正确解读指标（四坐标）→ 守住许可边界（两层版权）。这四步是使用 DDI Corpus 的最小严谨集。

§13 按角色阅读路径

不同读者关心的重点不同，本节给出最短路径。

13.1 如果你是 NLP 研究者

先读 §1 速览 + §5 评测与基准：快速建立「这是什么、指标怎么读」的认知；
再读 §4 数据字段与结构 + 附录 E 加载骨架：动手解析；
关键提醒：报告结果时用 附录 F 四坐标模板，避免指标不可比（坑 3）。

13.2 如果你是药物警戒/临床信息研究人员

先读 §0 导读 + §1.1 语料 vs 数据库：分清本条目与数据库型资源的差异；
再读 §7 生态与应用场景：理解如何从文献自动抽取 DDI；
关键提醒：语料年代为 2011-2013，知识需时效补充（§7.6）。

13.3 如果你是数据工程/知识图谱工程师

先读 §4 数据字段与结构 + 附录 E：理解 XML 结构；
再读 §12.2 知识图谱管道：了解端到端流程与实体规范化要点；
关键提醒：drug 与 drug_n 不可混用（坑 C 变体）。

13.4 如果你是合规/法务人员

先读 §6 获取与许可 + 附录 N 许可条款细读 + 附录 O 合规自查清单；
关键提醒：两层版权（团队打包许可 + 摘要原文版权）是最大风险（坑 5）。

13.5 如果你是数据集选型决策者

先读 §1 速览 + §11.4 30 秒决策卡 + 附录 D 决策树；
再读 附录 P DAIMS 评估：横向比较各维度得分；
关键提醒：要文本语料选本条目，要结构化关系选 ddinter。

13.6 如果你是标注方法学研究者

先读 §3 标注方法学 + 附录 I 一致性口径；
再读 §8 方法学启示：提炼可迁移经验；
关键提醒：双源难度设计与分源一致性披露是两个最有价值的可借鉴点。

§14 上下游实操清单

14.1 上手前检查清单

[ ] 已确认用途属于学术研究（否则先走许可流程）；
[ ] 已获取语料包并核对 train/test 划分完整性；
[ ] 已明确要跑 Task 9.1 还是 9.2（决定测试集配置）；
[ ] 已准备处理不连续实体的解析逻辑；
[ ] 已明确评估四坐标（micro/macro、STRICT/relaxed、子集、子任务）。

14.2 数据预处理清单

[ ] 句子切分与偏移校验（句子坐标 vs 文档坐标，坑 B）；
[ ] 不连续实体按分号展开（坑 6）；
[ ] 实体类型归一（drug/group/brand/drug_n 保持区分）；
[ ] 关系类型归一（mechanism/effect/advice/int 保持区分）；
[ ] 负例采样（不构成关系的实体对）；
[ ] 类别失衡处理（int 类加权或下采样）。

14.3 建模清单

[ ] 上下文窗口以句子为界（关系不跨句）；
[ ] 实体标记方案（如 span marker / 实体类型嵌入）；
[ ] 是否用预训练语言模型（决定与哪个代际基准对比）；
[ ] 是否分源训练/评测（跨域研究必需）。

14.4 评测清单

[ ] 明确子集（DrugBank/Medline/全量）；
[ ] 明确匹配口径（STRICT/relaxed）；
[ ] 明确平均方式（micro/macro）；
[ ] 给出分类型指标与样本量；
[ ] 指出长尾类（int）的统计局限。

14.5 发布与合规清单

[ ] 引用 JBI 论文（及 SemEval 任务论文）；
[ ] 声明数据来源与许可；
[ ] 商用已取得书面许可；
[ ] Medline 子集的摘要版权已确认或已规避。

14.6 常见误解澄清

误解	事实
DDI Corpus 是数据库	它是文本标注语料（§1.1）
有 1,025 篇就是全部口径	任务发布口径为 1,017 篇（坑 2）
学术免费＝可商用	商用不在授权范围（坑 4）
拿到团队许可就万事大吉	还有摘要原文第二层版权（坑 5）
四类型就是 PK/PD	二者正交，不是一套标签（坑 7）
全量 F1 是单一数字	须带四坐标（坑 3）
int 类结果能代表全局	int 是长尾，方差大（坑 8）
拿到语料就含所有交互知识	语料止于 2013 年，需时效补充

§11 总结

11.1 三句话总结

DDI Corpus 是 2013 年 UC3M+DFKI 发布的人工标注药物相互作用抽取语料，由 792 篇 DrugBank 专论与 233 篇 Medline 摘要构成，含 18,502 个药理学实体与 5,028 条 DDI（JBI 终版口径）。
它是 SemEval-2013 Task 9（DDIExtraction 2013）的官方黄金标准，定义了药物实体识别（最佳 F1 71.5%）与 DDI 检测分类（最佳 F1 65.1%）两个子任务，十余年来是 DDI 抽取领域事实上的评测基准。
它学术研究免费、可复现性极高，但许可非标准、且 Medline 子集摘要存在第二层版权——商用前务必逐层确认，这是使用它的第一风险点。

11.2 适合谁

做生物医学自然语言处理 / 关系抽取 / 实体识别的研究者与工程师；
想用公认基准报告结果、与他人横向比较的模型开发者；
研究标注方法学、一致性评估、双源难度设计的学者；
构建药物知识图谱、需要文本侧监督信号的团队；
做药物警戒自动化、需要从文献抽取 DDI 的研究者。

11.3 不适合谁

想要开箱即用的结构化相互作用数据库的人（请用 ddinter/twosides）；
需要中文或其他语种 DDI 语料的人（本语料为英文单语）；
需要跨句/跨文档关系的人（标注限于句内）；
需要当代最新药物相互作用知识直接上线的人（语料年代为 2011-2013，需时效补充）；
计划商用却不愿走许可确认流程的人（有实质合规风险）。

11.4 30 秒决策卡

你的问题	答案
这是什么？	药物相互作用抽取的文本标注语料（非数据库）
多大？	1,025 篇 / 18,502 实体 / 5,028 DDI
谁做的？	UC3M + DFKI，2013
是基准吗？	是，SemEval-2013 Task 9 官方黄金标准
成绩多少？	实体 71.5% / 关系 65.1%
免费吗？	学术研究免费，商用须确认
最大风险？	Medline 摘要第二层版权 + 许可非标准
库内邻居？	ddinter(1100)、drugprot(827)、medhop(754)、twosides(254)