信息速览
GENIA 语料库 — 生物医学事件抽取基座语料 AI-Ready Wikipedia
INFOBOX
| 数据集名称 | GENIA Corpus |
| 英文全称 | GENIA Corpus — a semantically annotated corpus for bio-textmining |
| 别名/简称 | GENIA、GENIA corpus、GENIA v3.0 / v3.02、Tsujii 语料库 |
| 疾病分类 | 覆盖转录因子相关分子机制全谱（ICD-11：2A9Z 血液系统恶性肿瘤 / 2B3Z 转录因子相关遗传病 / 5A1Z 内分泌与代谢异常等） |
| SNOMED CT | 30549002 Molecular biology (procedure) / 104844006 Transcription factor (substance) / 76249006 Blood cell (cell)（详见 §2.1b） |
| 数据模态 | 文本（英文 MEDLINE 摘要，含句法层、术语层、事件层、关系层、共指层标注） |
| AI 任务类型 | 命名实体识别（NER）、生物事件抽取（BioNLP ST GE）、触发词检测、论元角色标注、关系抽取、句法分析、词性标注、生物医学语言模型预训练 |
| 样本总数 | 2,000 篇 MEDLINE 摘要 / 400,000+ 词 / 约 96,582 条术语标注 |
| 数据大小 | 约 25 MB（XML 标注文件，纯文本压缩后约 5 MB） |
| 数据格式 | XML（GENIA mark-up scheme）/ 纯文本 / BioNLP-ST 格式（a1、a2、rel 文件）/ CoNLL |
| 许可证 | GENIA Project License for Annotated Corpora（标注部分 CC BY 3.0 Unported） |
| 访问级别 | 开放获取（标注部分）；摘要文本受 PubMed 原始条款约束 |
| DUO 标签 | GRU, HMB, PUB |
| 语言 | 英文 |
| 首发日期 | 2003-07-03（v3.0 论文发表于 Bioinformatics） |
| 最后更新 | 2010-06-01（GENIA Event 与关系层标注扩充） |
| 发布机构 | 东京大学 Tsujii 实验室 GENIA Project（现由 NaCTeM 等机构维护镜像） |
| 官方主页 | http://www.geniaproject.org |
| 下载地址 | http://www.geniaproject.org/genia-corpus |
| DOI | 10.1093/bioinformatics/btg1023 |
| 引用次数 | 2,300+（Google Scholar，截至 2025-12） |
| AI 就绪度评分 | ⭐⭐⭐（3/5）— 标注质量顶尖、生态庞大；扣分项：无官方划分、XML 需格式转换、术语 span 规则留待专家判断、域覆盖极窄 |
| 页面状态 | published |
§0 E-E-A-T 与审核声明
§0.1 医学审核者
[千方病案医学编辑部]交叉审核：§2 医学背景（GENIA ontology 概念层级、转录因子分子机制、MeSH 检索词对应关系）、§7 偏倚分析。
本页涉及分子生物学与临床血液学的交叉内容。GENIA 语料的疾病相关范围集中在转录因子调控异常所致的血液系统与实体肿瘤，审核重点在于确认术语类别（DNA / RNA / protein / cell_line / cell_type）与当代分子生物学概念体系的一致性，以及 MeSH 检索词 human / blood cell / transcription factor 所引入的样本选择偏倚是否被充分披露。
§0.2 数据工程审核者
[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
审核重点为 XML 标注的解析路径完整性、事件嵌套结构的还原正确性、BioNLP-ST 格式转换的字符偏移一致性，以及跨版本（v3.0 与 v3.02）的标注差异处理。
§0.3 审核日期
审核日期：2026-09-05
§0.4 免责声明
医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。
技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。
数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。GENIA 语料的摘要文本来源于 PubMed，受 NLM 条款约束；GENIA Project 创建的标注部分以 CC BY 3.0 Unported 授权，分发时必须附带完整许可文本与 Attribution 章节，并按
Corpus annotations (c) GENIA Project格式署名。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。
§1 数据集概览
§1.0 30 秒速览
这是什么？ GENIA 是一份「标注过的生物医学论文摘要集合」。研究者从美国国立医学图书馆的 MEDLINE 数据库里，用三个检索词——人类（human）、血细胞（blood cells）、转录因子（transcription factors）——筛出 2,000 篇论文摘要，然后由两位分子生物学领域的专家逐句阅读，把其中所有具有生物学意义的词（比如「IL-2 基因」「T 细胞」「NF-κB 激活」）全部用标签框出来，并给每个词贴上它在生物学概念体系中的位置标签。整份语料含 40 万余词，接近 10 万条术语标注。
为什么重要？ 在 GENIA 出现之前，生物医学文本挖掘领域面临一个尴尬处境：算法研究者手里没有一份「标准答案」。通用英语的句法标注数据（如 Penn Treebank）在生物医学文本上表现急剧下降，因为「IL-2」「NF-κB」这类词在通用语料中根本不存在。GENIA 第一次为这个领域提供了人工标注的参考材料，并且不止一层——它有词性、句法树、术语、事件、关系、共指等六个以上的标注层级。更关键的是，GENIA 的事件模型成为了 BioNLP 共享任务系列的基础，把「从论文里抽取基因调控事件」变成了一个可以量化比较的竞赛任务。
我能用它做什么？ 如果你要训练一个生物医学命名实体识别模型，GENIA 的 5 个实体超类（蛋白、DNA、RNA、细胞系、细胞类型）是标准的预训练或评测数据；如果你做事件抽取，基于 GENIA 事件模型的 BioNLP-ST GE 任务数据是公认基准；如果你需要一个生物医学词性标注器或句法分析器，GENIA Tagger 是开箱即用的工具。但请注意：这份语料只覆盖转录因子与血细胞这一狭窄子域，把它直接用到临床病历或全科医学文献上会严重失效。
§1.1 技术摘要
GENIA 项目由东京大学 Tsujii 实验室于 1990 年代末启动，目标是为生物医学文本挖掘系统提供参考材料与金标准评测基准。语料构建采用「检索词限定 + 专家标注」的路线：从 MEDLINE 中以 MeSH 术语 human、blood cells、transcription factors 三词交集检索摘要，使标注工作收敛于人类血细胞中转录因子相关的生物学反应这一主题域。语料库 v3.0 于 2003 年发布，含 2,000 篇摘要、400,000 余词与近 100,000 条针对生物学术语的人工标注（精确统计为 96,582 条标注、93,293 个回收术语）。
所有摘要与标题均由两名领域专家进行生物学意义术语的标记，术语在语义上被定义为可对应 GENIA ontology 终端概念的词项，在语法上则通过一套包含说明语（specifier）与限定语（qualifier）取舍规则的方案界定。GENIA ontology 是一套包含 47 个生物学相关名词类别的分类体系，顶层为 biological source、biological substance 与 other 三类，其中 complex（2,394 条）、domain_or_region（1,044 条）、nucleic_acid（784 条）为规模最大的终端概念。术语支持递归标注，例如 IL-2 gene 嵌套于 IL-2 gene transcription 之内。
在术语层之上，项目陆续叠加了句法层（GENIA Treebank，36,090 句）、事件层（GENIA Event）、关系层、共指层与细胞定位层，形成多层级的标注堆栈。这一事件模型进而催生了 BioNLP 共享任务系列，覆盖 GE（GENIA 事件）、EPI（表观遗传与翻译后修饰）、ID（传染病）、BB（细菌生境）、CG（癌症遗传学）、PC（通路整理）等多个子任务。语料以 XML 标记方案编码，每篇文章含 MEDLINE ID、标题与摘要，正文切分为句子并保留字符偏移信息。
§1.2 战略价值
作为生物医学 NLP 的方法学奠基石。 GENIA 的核心贡献不只是数据，而是一套可被复用的标注范式与任务定义。在它之前，生物医学信息抽取的评测多依赖各自构造的小规模数据集，结果无法横向比较。GENIA 事件模型定义了 9 类（后扩展至 13 类）标准事件类型及其论元角色，使得不同团队的系统第一次可以在同一把尺子下测量。BioNLP’09 GE 任务吸引了 24 支队伍参赛，BioNLP’11 与 BioNLP’13 延续了这一序列，累计推动了十余年的生物事件抽取研究。对于今天仍在做文献知识库构建的研究者，GENIA 提供的是「问题定义」而非仅仅是「数据」。
作为领域适配必要性的实证证据。 GENIA Tagger 的性能对比数据构成了一个经典论据：一个在《华尔街日报》语料上训练的通用词性标注器，在 GENIA 语料上准确率仅 85.19%，而一个专门在 GENIA 上训练的标注器达到 98.49%，GENIA Tagger 本身在两者上分别保持 96.94% 与 98.26%。这组数字直观地量化了生物医学文本与通用英语之间的分布鸿沟，成为后续所有领域适配研究的标准引用。它说明的规律——专业化语料带来的增益远超通用语料规模的优势——在今天的临床 NLP 与大模型时代仍然成立。
作为现代生物医学语言模型的训练语料来源之一。 GENIA 的摘要文本与标注长期被用于生物医学语言模型与词向量的训练与评测，其术语词典（约 3.6 万条词形条目，涵盖词形还原、词性与语义类别）被广泛集成进生物医学 NER 流水线。虽然单凭 40 万词的规模已不足以预训练现代大模型，但作为高质量域内微调数据与评测金标准，GENIA 的位置尚未被取代。
§1.3 同类数据集横向对比
| 数据集 | 规模 | 文本类型 | 标注层级 | 实体/事件类型 | 差异化定位 |
|---|---|---|---|---|---|
| GENIA | 2,000 篇摘要 / 40 万词 | MEDLINE 摘要 | POS、句法树、术语、事件、关系、共指 | 47 类 ontology 概念；事件模型 9-13 类 | 层级最全、事件抽取任务定义者 |
| JNLPBA | 2,404 篇摘要 | MEDLINE 摘要 | 术语（5 超类） | Protein、DNA、RNA、Cell_line、Cell_type | GENIA 的简化子集，NER 专用 |
| GENETAG | 20,000 句 | MEDLINE 句子 | 基因/蛋白名 | 单一合并类型（protein+DNA+RNA） | BioCreative II 基因提及识别 |
| GENIA Treebank | 36,090 句 | MEDLINE 摘要 | 句法树（Penn 风格） | 无 | 生物医学句法分析专用 |
| CRAFT | 67 篇全文 / 87,674 条标注 | PMC 全文 | 概念、句法、共指、断言 | 7 类（蛋白、化学物、细胞、基因、物种、生物序列） | 全文级、术语关联 ontology ID |
| BC5CDR | 1,500 篇 PubMed 文献 | 摘要 | 化学物、疾病、化学反应 | 3 类 | 化学物-疾病关系抽取 |
| BC2GM | 20,000 句 | MEDLINE 句子 | 基因/蛋白提及 | 1 类 | BioCreative II 基因提及 |
对比要点：GENIA 的优势在于标注层级深度而非规模或文本长度。以 CRAFT 为例，其 67 篇全文的 87,674 条标注在数量上与 GENIA 相当，但 CRAFT 专注于概念到 ontology 的规范化链接，而 GENIA 在事件结构上的标注深度是 CRAFT 所不具备的。GENETAG 的 20,000 句看似规模更大，但其标注只有单一合并实体类型，粒度远粗于 GENIA 的 47 类 ontology。因此这三个数据集常被联合使用：GENIA 做事件、JNLPBA 做实体、GENETAG 做基因名识别。
§1.4 版本时间轴
| 时间 | 版本/事件 | 主要内容 |
|---|---|---|
| 1998 | GENIA 项目启动 | Tsujii 实验室启动生物医学文本挖掘语料构建 |
| 2000 | 标注方案论文 | Kim et al. 2000 描述 XML 标记方案 |
| 2003-07 | GENIA corpus v3.0 发布 | 2,000 篇摘要、40 万+ 词、近 10 万条术语标注 |
| 2003 | GENIA Treebank v1.0 | 36,090 句 Penn 风格句法树（Kim et al. 2003） |
| 2004 | JNLPBA 共享任务 | 基于 GENIA v3.02 划分 2,000 训练 + 404 测试摘要 |
| 2006-10 | GENIA Tagger v3.0 | 新增命名实体识别功能 |
| 2009 | BioNLP’09 ST GE | 首个基于 GENIA 事件模型的共享任务，24 支队伍 |
| 2010 | GENIA Event 扩充 | 关系层与事件层标注扩展，版本记为 v3.02 |
| 2011-06 | BioNLP’11 ST | GE/EPI/ID/BB/BI 等任务，全文化与跨域泛化 |
| 2013 | BioNLP’13 ST | GE/CG/PC/GRO/GRN/BB，扩展到癌症遗传学与通路整理 |
| 2016-02 | GENIA Tagger v3.0.2 | 最终版本，源码包发布 |
§1.5 典型应用场景
- 生物医学命名实体识别（BioNER）：使用 GENIA 的 5 个实体超类训练或评测 NER 模型，是 JNLPBA 任务的标准做法。典型指标为精确匹配 F1，历史最高约 72.6%。
- 生物事件抽取：基于 GENIA 事件模型抽取基因表达、转录、磷酸化、定位等事件及其论元，是 BioNLP-ST GE 任务的核心。需注意触发词检测任务（task 3）难度显著高于论元填充任务。
- 领域自适应句法分析：以 GENIA Treebank 的 36,090 句为域内数据，研究从通用域（Penn Treebank）到生物医学域的迁移方法。
- 生物医学语言模型微调：以 GENIA 摘要作为域内语料，对通用语言模型进行继续预训练或域内微调，提升下游 BioNER 与事件抽取性能。
- 术语词典与词形资源构建：利用 GENIA 术语词典的词形、词性、语义类别条目，构建规则或词典驱动的实体识别组件。
- 标注规范研究：GENIA 的 span 选择指南中「限定语收纳留待专家判断」的条款，成为标注一致性研究中的经典反例，被 CRAFT 等后续语料的规范设计直接引用与改进。
§2 医学背景
§2.1 ICD-11 编码映射
GENIA 语料本身不按疾病编码组织，其主题域为「人类血细胞中转录因子相关的分子反应」。下表将语料涉及的概念类别映射至 ICD-11 与 GENIA ontology 类别。
| GENIA ontology 概念类别 | ICD-11 编码 | ICD-11 中文名 | 术语示例 |
|---|---|---|---|
| nucleic_acid（核酸） | 5C50.Z | 遗传性代谢紊乱 | IL-2 gene、NF-κB 结合位点 |
| amino_acid_monomer / peptide | 5C50.Z | 氨基酸代谢异常 | 细胞因子肽段 |
| protein（蛋白质） | 2A9Z | 血液系统恶性肿瘤 | NF-κB、STAT3、p53 |
| cell_type（细胞类型） | 2B33.Z | 淋巴细胞疾病 | T cells、B cells、thymocytes |
| cell_line（细胞系） | 2B33.Z | 淋巴增殖性疾病 | Jurkat、HeLa、K562 |
| lipid / organic_compound | 5C50.Z | 脂质代谢紊乱 | 神经酰胺、前列腺素 |
| body_part / tissue | 5A1Z | 内分泌腺体疾病 | 淋巴结、脾脏 |
| disease / disorder（非终端概念） | 2A9Z | 血液系统恶性肿瘤 | leukemia、lymphoma |
映射说明：GENIA ontology 是面向分子生物学实体的分类体系，而非疾病分类体系。上表为语义近似映射，用于帮助临床背景读者建立直觉，不可用于流行病学统计。语料中实际出现的疾病名称类术语比例很低，主体是基因、蛋白、细胞类型等分子实体。
§2.1b SNOMED CT 映射
| 标签 | SNOMED CT 码 | 术语（英文） | 说明 |
|---|---|---|---|
| 分子生物学操作 | 30549002 | Molecular biology (procedure) | 语料所属学科领域 |
| 转录因子 | 104844006 | Transcription factor (substance) | 核心 MeSH 检索概念 |
| 血细胞 | 76249006 | Blood cell (cell) | 核心 MeSH 检索概念 |
| 人类 | 337915000 | Homo sapiens (organism) | 核心 MeSH 检索概念 |
| T 淋巴细胞 | 51030008 | T lymphocyte (cell) | 语料高频细胞类型 |
| B 淋巴细胞 | 41346009 | B lymphocyte (cell) | 语料高频细胞类型 |
| 细胞因子 | 102079001 | Cytokine (substance) | 语料高频分子实体 |
| 基因 | 24626009 | Gene (substance) | 语料最高频实体类型 |
§2.2 主题域与生物医学背景
GENIA 的主题域由三个 MeSH 检索词的交集决定，这一选择的背后有明确的科研动机。转录因子（transcription factors）是调控基因表达的关键蛋白，其功能异常是大量肿瘤与免疫疾病的分子基础；血细胞（blood cells）则是转录因子研究中最易获取、研究最充分的细胞体系，同时也是血液系统恶性肿瘤的直接受累对象；限定 human 则确保研究结论具有临床转化潜力。三词交集使得语料高度集中在「人类血细胞中转录因子如何调控基因表达」这一可收敛的分子生物学问题上。
从当代分子生物学视角看，这一主题域对应的是细胞信号转导与基因调控网络的核心部分。典型的事件类型包括基因表达（gene expression）、转录（transcription）、蛋白磷酸化（phosphorylation）、蛋白定位（localization）、蛋白结合（binding）与调控（regulation）。以 NF-κB 通路为例，一个典型摘要可能描述「IL-2 基因在 T 细胞中经 NF-κB 激活而转录上调」——这在 GENIA 事件模型中会被拆解为「positive_regulation 事件（论元：IL-2 gene transcription 事件）」嵌套「transcription 事件（论元：IL-2 gene）」的多层结构。
从流行病学角度看，GENIA 不具备人群代表性，因为其文献来源是基于检索词的便利抽样而非系统抽样。相关疾病的真实流行病学数据（如白血病年发病率）应从专门的登记数据库获取，与本文料库无对应关系。本页列出该映射仅为说明语料的语义覆盖范围。
§2.3 临床任务定义
GENIA 不直接支持临床任务，其原生任务是信息抽取（information extraction）。下表将生物医学 NLP 任务与对应的临床/科研用途对应起来。
| 任务层级 | 具体任务 | GENIA 支撑形式 | 科研用途 |
|---|---|---|---|
| 词法层 | 词性标注、词形还原 | GENIA Tagger、术语词典 | 生物医学文本预处理 |
| 句法层 | 短语结构句法分析 | GENIA Treebank 36,090 句 | 生物医学句法分析器训练 |
| 实体层 | 命名实体识别（NER） | 47 类 ontology 概念标注 | 基因/蛋白/细胞名识别 |
| 事件层 | 触发词检测 + 论元抽取 | GENIA Event / BioNLP-ST GE | 分子相互作用数据库构建 |
| 关系层 | 实体关系抽取 | 关系层标注 | 知识图谱三元组抽取 |
| 篇章层 | 共指消解、细胞定位 | 共指层、细胞定位标注 | 跨句实体一致性维护 |
| 应用层 | 通路整理、文献知识库 | BioNLP-ST PC 任务 | 系统生物学建模支持 |
筛查/诊断/分级/预后四类的对应关系：GENIA 均不直接支持。其产出（提取出的分子事件）可作为上游输入，用于构建基因调控网络，进而支撑药物靶点发现等转化研究。任何声称 GENIA 可直接用于临床诊断的表述均属误用。
§2.4 语料文献特征
| 维度 | 特征 | 来源依据 |
|---|---|---|
| 文献来源 | MEDLINE 数据库 | Kim et al. 2003 |
| 检索策略 | MeSH 词 human AND blood cells AND transcription factors | Kim et al. 2003 |
| 文献年份 | 主要为 1990 年代至 2000 年代初 | 摘要发表时间分布 |
| 语言 | 英文 | 语料规范 |
| 语种变体 | 单一（无多语言标注） | 语料设计 |
| 文本类型 | 题名 + 摘要（不含全文） | XML 结构定义 |
| 句子数 | 约 18,000-20,000 句 | Kim et al. 2003 |
| 句法层覆盖 | 36,090 句 | GENIA Treebank |
| 标注者 | 两名领域专家（术语层） | Kim et al. 2003 |
| 患者数据 | 无（皆为已发表文献摘要） | 语料性质 |
| 地理覆盖 | 全球（MEDLINE 收录） | 语料性质 |
| 多中心 | 不适用 | 语料性质 |
§2.5 临床与科研价值
GENIA 的价值链条是间接的：它不产出临床结论，但它是产出临床结论所需知识库的构建工具。基因调控网络、蛋白相互作用数据库、通路模型这些系统生物学基础设施，都需要从海量文献中自动抽取分子事件，而 GENIA 为这类抽取系统提供了训练与评测的基准。当一项研究利用文献挖掘发现的调控关系提出新的药物靶点时，其链路的最上游可能就有 GENIA 的贡献。
对于医学 AI 研究者，GENIA 的另一个价值在于它是一份诚实的失败记录。它明确披露了选择偏倚（三个 MeSH 词）、标注主观性（限定语收纳留待专家判断）与规模限制（2,000 篇摘要）。这些披露使得后续研究者在复用该语料时能够准确判断其适用边界，也为数据治理实践提供了一个正面样本。「知道自己不知道什么」在医学数据集的文档化中被反复强调，GENIA 在 2003 年就做到了这一点。
§2.6 金标准定义
| 标注层 | 划分方式 | 标注方式 | 标注者 | 性质 |
|---|---|---|---|---|
| 术语层（Term） | 语料全量 | 人工逐句标记 + ontology 概念指派 | 2 名领域专家 | 金标准 |
| 词性层（POS） | 语料全量 | 人工校订 | 领域专家 | 金标准 |
| 句法层（Treebank） | 36,090 句 | Penn Treebank II 风格括号标注 | 受训标注员 | 金标准 |
| 事件层（Event） | BioNLP-ST 划分 | 触发词 + 论元角色人工标注 | 领域专家 | 金标准 |
| 关系层（Relation） | 部分子集 | 人工标注 | 领域专家 | 金标准 |
| 共指层（Coreference） | 部分子集 | 人工标注 | 领域专家 | 金标准 |
| 细胞定位层 | 部分子集 | 人工标注 | 领域专家 | 金标准 |
| JNLPBA 实体层 | 2,000 训练 + 404 测试 | 从 GENIA 术语层投影 5 超类 | 自动投影 + 人工复核 | 派生金标准 |
关键说明：术语层与事件层的标注指南明确将限定语（qualifier）的收纳决策「留待专家判断」，这意味着同一术语的边界在不同标注者之间可能存在系统性差异。这一设计选择后来被 CRAFT 语料的规范文档直接引用为反例，指出 span 选择指南不明确会导致标注不一致。使用 GENIA 评估 NER 系统时，必须以精确匹配为前提理解分数，且应意识到金标准本身含有一定噪声。
§3 数据集规格
§3.0 版本抉择矩阵
| 你的需求 | 推荐版本 | 大小 | 理由 |
|---|---|---|---|
| 生物医学 NER 训练/评测 | JNLPBA（GENIA 5 超类） | 2,404 篇摘要 | 类目简化、划分固定、社区基准完整（F1 约 72.6%） |
| 生物事件抽取 | BioNLP-ST GE 数据（'09/'11/'13） | 约 1,000-1,400 篇摘要或全文 | 事件模型明确、评测脚本成熟、有排行榜可比 |
| 句法分析器训练 | GENIA Treebank（GTB） | 36,090 句 | 唯一的大规模生物医学 Penn 风格句法树 |
| 词性标注 / 预处理 | GENIA Tagger v3.0.2 | 约 20 MB 源码包 | 开箱即用，域内准确率 98.26% |
| 术语/词形资源 | GENIA 术语词典 | 约 3.6 万条词形条目 | 含词形、词性、语义类别三元组 |
| 原始多层标注研究 | GENIA corpus v3.02 完整包 | 约 25 MB XML | 保留全部标注层与字符偏移 |
| 表观遗传/翻译后修饰事件 | BioNLP-ST EPI 数据 | 约 1,200 篇全文 | 14 类事件、基于 GENIA 模型扩展 |
| 细菌生境关系抽取 | BioNLP-ST BB 数据 | 网页文本 | GENIA 模型外的独立表示 |
§3.1 模态与标注层详情
| 标注层 | 编码标签 | 粒度 | 覆盖范围 | 引入年份 |
|---|---|---|---|---|
| 文档层 | article、title、abstract | 文档 | 全量 | 2000 |
| 句子层 | sentence、cons | 句子 | 全量 | 2000 |
| 词性层 | Penn POS 标签集 | 词 | 全量 | 2003 |
| 句法层 | Penn Treebank II 括号 | 短语 | 36,090 句 | 2003 |
| 术语层 | ontology 终端概念名 | 术语 span | 全量（96,582 条） | 2003 |
| 事件层 | 9 类（后扩展 13 类）事件名 | 事件结构 | ST 子集 | 2009 |
| 关系层 | 关系类型名 | 二元关系 | 部分子集 | 2010 |
| 共指层 | COREF、APPOS | 指代链 | 部分子集 | 2010 |
| 细胞定位层 | 定位关系 | 二元关系 | 部分子集 | 2010 |
§3.2 按子集划分的样本数
| 子集 | 摘要数 | 句子数 | 说明 |
|---|---|---|---|
| GENIA corpus v3.0 全量 | 2,000 | 约 19,000 | 术语层与词性层完整 |
| GENIA Treebank | 约 1,800 | 36,090 | 句法层；与全量口径不同 |
| BioNLP’09 ST GE | 约 1,400 | — | 事件模型 9 类（训练+开发+测试） |
| BioNLP’11 ST GEa | 约 1,300 | — | 沿用 '09 数据重划分 |
| BioNLP’11 ST GEf | 约 14 篇全文 | — | 泛化到全文 |
| JNLPBA 训练集 | 2,000 | — | 取自 GENIA v3.02 |
| JNLPBA 测试集 | 404 | — | 半数为同域、半数为超域 |
| BioNLP’13 ST GE | 约 700 篇全文 | — | 事件模型 13 类 |
| 术语词典条目 | — | — | 约 36,000 条词形条目 |
§3.3 数据格式
| 格式 | 扩展名 | 用途 | 解析难度 |
|---|---|---|---|
| GENIA XML | .xml | 原版多层标注 | 中（需处理嵌套 cons 标签） |
| BioNLP-ST 格式 | .txt / .a1 / .a2 / .rel | 事件与关系标注 | 低（行式文本） |
| CoNLL 格式 | .conll | 序列标注任务 | 低 |
| 纯文本 | .txt | 语言模型语料 | 极低 |
| CSV/TSV（术语词典） | .csv / .tsv | 词形资源 | 极低 |
| Standoff（BRAT） | .ann / .txt | 可视化标注 | 低 |
§3.4 存储大小
| 内容 | 大小 | 备注 |
|---|---|---|
| GENIA corpus v3.0 XML 全量 | 约 25 MB | 含全部标注 |
| 纯文本（仅摘要正文） | 约 5 MB | 40 万词英文 |
| GENIA Treebank 单独包 | 约 15 MB | 36,090 句句法树 |
| GENIA 术语词典 | 约 3 MB | 约 3.6 万条 |
| GENIA Tagger 源码包 | 约 20 MB | 含模型文件 |
| BioNLP-ST 单个任务数据 | 约 1-5 MB | 视任务而定 |
§3.5 标注方式与质量控制
标注采用人工主导、工具支撑的模式。XConc 套件（一套基于 XML 的语料开发与标注集成工具集）为标注员提供界面支持，所有标注以 XML 标签内联形式写入文档。术语标注由两名领域专家独立进行，标注指南对说明语（specifier）与限定语（qualifier）的取舍作出规则化约定。
具体而言，标注方案规定：说明语不纳入术语范围，而限定语是否纳入则留待专家判断。这一折中方案是出于标注可行性的考虑——生物学术语与命名实体存在本质差异，后者多为专有名词、不带修饰成分，而生物学术语多为普通名词，在文本中会以各种修饰结构出现（如「the anti-apoptotic effect」中的形容词修饰）。团队预期通过积累专家在收纳取舍上的统计倾向，在未来制定更精细的规则。
事件层标注采用触发词（trigger）+ 论元（argument）的结构化模式。每个事件有一个触发词（通常是动词或名词化的动词，如 transcription、phosphorylation、expression），以及若干论元（如 Theme、Cause、Site）。事件之间可以嵌套，例如一个 positive_regulation 事件的论元可以是一个 transcription 事件，形成多层结构。
§3.6 标注者资质与一致性
| 标注层 | 标注者 | 资质 | 一致性报告 |
|---|---|---|---|
| 术语层 | 2 名领域专家 | 分子生物学背景 | 未见公开的 Kappa 值；span 规则被指存在主观性 |
| 句法层 | 受训标注员 | Penn Treebank 规范培训 | 遵循 Penn II 规范 |
| 事件层 | 领域专家 | 分子生物学 + 标注培训 | BioNLP-ST 各届有 IAA 报告，通常 F 值 0.8-0.9 |
| JNLPBA 实体层 | 自动投影 + 复核 | 从 GENIA 术语层映射 | 低一致性被列为性能瓶颈（见 §7.2） |
重要警示：GENIA 术语层的限定语收纳规则被 CRAFT 语料的方法学论文明确点名——「GENIA 中限定语的收纳留待专家判断」。这意味着术语边界存在系统性不确定性，且未见公开的标注者间一致性（IAA）系数。这是使用 GENIA 评估 NER 系统时必须纳入考量的金标准噪声来源。
§3.7 采集与标注周期
GENIA 项目的标注工作跨度约 1998 年至 2010 年，历时超过十年。核心术语层与词性层在 1998-2003 年间完成，句法层（Treebank）在 2003 年前后集中推进，事件层与关系层则在 BioNLP 共享任务期间（2009-2013）逐步扩充。这种长周期的增量式标注是语料库建设中的常见模式，也带来了跨版本标注规范漂移的风险。
§3.8 地域与语言覆盖
文本来源为 MEDLINE 全球收录文献，但语种仅为英文。作者机构的地理分布以欧美与日本为主，这反映了 1990 年代分子生物学研究的地理集中性。语料本身未做地理标注，也不支持按地区筛选。
§3.9 技术环境
| 项目 | 说明 |
|---|---|
| 标注工具 | XConc 套件（XML 标注集成工具） |
| 编码格式 | XML，UTF-8 |
| 文本切分 | 句子级切分，保留字符偏移 |
| 词典辅助 | 未使用自动化预标注（纯人工主导） |
| 版本控制 | 未见公开的版本控制规范 |
| 配套工具 | GENIA Tagger（基于 GENIA + PennBioIE + WSJ 训练） |
| 工具许可 | GENIA Tagger 为限制性许可（学术非商业需 Share Alike） |
| 运行环境 | Unix / Linux（工具需 gcc 编译） |
§3.10 深度溯源链
MEDLINE 数据库（NLM）
└─ MeSH 检索：human AND blood cells AND transcription factors
└─ 抽取 2,000 篇摘要（题名 + 摘要）
└─ XML 标记方案编码（Kim et al. 2000）
├─ 词性层 + 术语层（2 名领域专家，2003）
├─ 句法层 → GENIA Treebank（36,090 句）
├─ 事件层 → GENIA Event → BioNLP-ST GE（2009/2011/2013）
├─ 关系层 + 共指层 + 细胞定位层（2010）
├─ 实体投影 → JNLPBA（2004，5 超类）
└─ 工具派生 → GENIA Tagger（2005/2006/2016）
溯源要点：所有标注均可回溯至具体的 MEDLINE 摘要 ID；事件层标注可回溯至 BioNLP-ST 的具体版本划分。使用时应记录所依据的版本号（v3.0 或 v3.02）与任务数据版本，因为不同版本的标注范围与事件类型集合存在差异。
§4 数据结构
§4.0 目录结构
GENIA 官方发布包为压缩归档，解压后的典型目录结构如下（各版本略有差异）：
genia-corpus/
├── genia/
│ ├── GENIAcorpus3.02.xml # 完整多层 XML 标注（约 25 MB）
│ ├── GENIAcorpus3.02.0.xml # 无标注纯文本版本
│ ├── genia-ontology.xml # 47 类 ontology 定义
│ └── GENIAcorpus3.02.pos.txt # 词性标注纯文本
├── term-lexicon/
│ ├── genia-lexicon.csv # 术语词典（词形/词性/语义类别）
│ └── genia-lexicon-stats.txt
├── treebank/
│ └── geniatreebank-1.0/ # GENIA Treebank 1.0
│ ├── gtb-0001.ptb # Penn 风格句法树（逐篇）
│ ├── gtb-0002.ptb
│ └── ... # 共 36,090 句
├── bionlp-st/
│ ├── bionlp-st-2009/
│ │ ├── ge/
│ │ │ ├── train/ # 训练集
│ │ │ │ ├── PMID-XXXXXXX.txt # 纯文本
│ │ │ │ ├── PMID-XXXXXXX.a1 # 实体与触发词（T 行）
│ │ │ │ └── PMID-XXXXXXX.a2 # 事件与关系（E 行 / R 行）
│ │ │ ├── devel/
│ │ │ └── test/
│ │ └── readme.txt
│ ├── bionlp-st-2011/ # GE/EPI/ID/BB/BI/CO/REL/REN
│ └── bionlp-st-2013/ # GE/CG/PC/GRO/GRN/BB
└── tools/
└── geniatagger-3.0.2/ # GENIA Tagger 源码包
├── geniatagger # 可执行文件（需 make 编译）
├── model/ # 训练好的模型文件
└── README
§4.1 DAIMS 字段字典
以 GENIA corpus XML 的核心结构为例，下表给出各字段的数据字典。原版为 XML 嵌套结构，此处按其逻辑记录展开说明。
| 字段名 | 类型 | 说明 | 示例值 | AI 用途 | 观测误差 | 信息性缺失编码 | 取值范围 |
|---|---|---|---|---|---|---|---|
| document_id | string | MEDLINE 摘要标识符（PMID） | 10494966 | 分组 / 去重键 | 无 | 不适用 | 8 位数字串 |
| title | string | 文献题名 | Inhibition of NF-kappaB activation | 文本输入 | 无 | 不适用 | 自由文本 |
| abstract_text | string | 摘要正文 | Interleukin-2 gene expression | 语言模型语料 | 纯数字文本，无 OCR 误差 | 不适用 | 自由文本 |
| sentence_id | string | 句子序号 | S1、S2 | 序列切分键 | 切分边界偶有争议 | 不适用 | S + 整数 |
| cons_text | string | 术语 span 原文 | IL-2 gene transcription | NER 标签文本 | 限定语收纳主观性 | 不适用 | 自由文本 |
| cons_sem | category | ontology 概念类别 | nucleic_acid、protein | 分类标签 | 类别指派偶有歧义 | other（非生物概念） | 47 类之一 |
| cons_lex | string | 术语词形（规范化） | IL-2 gene | 词典匹配 | 词形变体归并误差 | 不适用 | 自由文本 |
| pos_tag | category | Penn 词性标签 | NN、VBD、JJ | POS 任务标签 | 域内标注一致性高 | 不适用 | Penn 标签集 |
| chunk_tag | string | IOB2 块标签 | B-NP、I-NP | 浅层句法 | 长名词短语边界争议 | 不适用 | IOB2 格式 |
| ne_tag | category | 命名实体标签 | B-protein、B-DNA | NER 标签 | 5 超类投影误差 | O（非实体） | O/B/I + 5 类 |
| event_id | string | 事件唯一标识 | E1、E2 | 事件级预测键 | 无 | 不适用 | E + 整数 |
| event_type | category | 事件类型名 | Positive_regulation、Phosphorylation | 事件分类标签 | 事件边界定义争议 | 不适用 | 9-13 类之一 |
| event_trigger | string | 触发词 span | activation、induced | 触发词检测标签 | 名词化 / 动词形式歧义 | 不适用 | 文本 span |
| event_theme | string | 主题论元（实体或事件） | T1、E3 | 论元角色标签 | 嵌套事件指代歧义 | 不适用 | 实体 ID / 事件 ID |
| event_cause | string | 原因论元 | T2 | 论元角色标签 | 隐含原因未标注 | 无此论元（结构缺失） | 实体 ID / 事件 ID |
| relation_type | category | 关系类型 | PartOf、Located | 关系分类标签 | 关系边界定义 | 不适用 | 关系类型集 |
| coref_chain | string | 共指链标识 | C1 | 共指消解标签 | 指代链切分主观性 | 不适用 | C + 整数 |
解析要点：a1 文件中的 T 行定义实体与触发词（格式为 T1<TAB>Type<TAB>start end<TAB>text），a2 文件中的 E 行定义事件（格式为 E1<TAB>Type:T1 Theme:T2），R 行定义二元关系。星号标记事件等价关系（E1 ... E2 表示两个事件等价）。字符偏移基于纯文本文件，任何预处理（如 Unicode 规范化）都会破坏偏移，导致标注错位。
§4.2 标签分布
GENIA ontology 终端概念的规模分布（部分高频类别）：
| 概念类别 | 实例数 | 占比（约） |
|---|---|---|
| complex（复合物） | 2,394 | 8.6% |
| domain_or_region（结构域/区域） | 1,044 | 3.8% |
| family_or_group（家族/组） | 1,000+ | 3.6% |
| nucleic_acid（核酸） | 784 | 2.8% |
| amino_acid_monomer（氨基酸单体） | 521 | 1.9% |
| peptide（肽） | 521 | 1.9% |
| substructure（子结构） | 129 | 0.5% |
| other（其他生物概念） | 16 | 0.06% |
JNLPBA 的 5 超类分布（训练集）：
| 实体类型 | 相对占比 | 说明 |
|---|---|---|
| protein | 最高（约 70%） | 语料主题域所致 |
| DNA | 次之 | 基因与调控序列 |
| cell_type | 中等 | T 细胞、B 细胞为主 |
| cell_line | 较低 | 实验细胞系 |
| RNA | 最低 | 语料中提及最少 |
分布要点：JNLPBA 与 GENIA 均呈现极端的类别不均衡，protein 类占比超过三分之二，RNA 类样本稀少，这直接导致 RNA 识别性能显著低于 protein（GENIA Tagger 上 RNA 的 F 值为 64.29%，protein 为 72.79%）。训练时应对稀有类做重采样或使用类加权损失。
§4.3 关键统计
| 指标 | 数值 | 来源 |
|---|---|---|
| 摘要总数 | 2,000 | Kim et al. 2003 |
| 词数 | 400,000+ | Kim et al. 2003 |
| 术语标注总数 | 96,582 | Kim et al. 2003 |
| 回收术语总数 | 93,293 | Kim et al. 2003 |
| ontology 类别数 | 47 | Kim et al. 2003 |
| Treebank 句子数 | 36,090 | SRL 域适配论文 |
| Treebank 谓词论元结构 | 90,000+ | SRL 域适配论文 |
| 事件类型数（2009） | 9 | BioNLP-ST 2009 |
| 事件类型数（2013） | 13 | BioNLP-ST 2013 |
| JNLPBA 摘要总数 | 2,404 | JNLPBA 任务说明 |
| 术语词典条目数 | 约 36,000 | GENIA 术语词典 |
§4.4 数据层级关系
语料库（Corpus，2,000 篇摘要）
└─ 文档（Document，含 PMID + title + abstract）
└─ 句子（Sentence，切分单元，保留字符偏移）
├─ 词（Token，含词形 + POS 标签）
├─ 短语（Chunk，IOB2 浅层句法标签）
└─ 术语 span（Term，含 ontology 概念类别）
├─ 事件（Event，含触发词 + 论元角色）
│ ├─ Theme 论元（可指向实体或嵌套事件）
│ ├─ Cause 论元
│ └─ Site 论元
├─ 关系（Relation，实体间二元关系）
├─ 共指链（Coreference chain）
└─ 细胞定位（Cellular localization）
层级要点：事件可以嵌套引用其他事件作为论元，形成有向无环图而非简单树结构。解析时必须实现递归，否则会丢失多层调控关系（如「A 上调 B 的转录，B 促进 C 的表达」这样的链式事件）。
§4.5 缺失值与信息性缺失
| 缺失情形 | 编码方式 | 含义 | 处理建议 |
|---|---|---|---|
| 事件无 Cause 论元 | 结构缺失（无该字段） | 原文未提及原因 | 不补全；作为缺失论元建模 |
| 事件无 Site 论元 | 结构缺失 | 原文未提及作用位点 | 不补全 |
| 术语未归类 | other 类别 | 是生物概念但不属任何其他类别 | 保留为独立类或合并 |
| 实体非命名实体 | ne_tag = O | 该词非蛋白/DNA/RNA/细胞系/细胞类型 | 负样本 |
| 句子无标注 | 不出现于标注文件 | 该子集未做该层标注 | 分层处理，勿当负样本 |
| 共指链未标注 | 该层整体缺失 | 子集未做共指标注 | 按层可用性筛选样本 |
关键陷阱：GENIA 的不同标注层覆盖范围不一致——句法层只覆盖 36,090 句而非全部，共指层与细胞定位层只覆盖部分子集。若将「未标注」误当作「负样本」，会引入严重的假阴性。加载数据时必须先检查每一层的覆盖范围，再决定该层的可用样本集合。
§5 数据划分与使用建议
§5.1 官方划分
GENIA 基础语料库（v3.0/v3.02）不附带官方训练/开发/测试划分。这是该数据集最重要的使用约束之一。官方划分只存在于派生任务中：
| 派生任务 | 训练集 | 开发集 | 测试集 |
|---|---|---|---|
| JNLPBA 2004 | 2,000 篇摘要 | 无独立开发集 | 404 篇摘要 |
| BioNLP-ST 2009 GE | 约 800 篇 | 约 150 篇 | 约 260 篇 |
| BioNLP-ST 2011 GEa | 沿用 '09 数据 | 沿用 '09 数据 | 沿用 '09 数据 |
| BioNLP-ST 2013 GE | 约 440 篇全文 | 约 140 篇 | 约 160 篇 |
建议：如果你要做 NER 任务，直接采用 JNLPBA 的官方划分。如果你要做事件抽取，直接采用 BioNLP-ST 对应年份的划分。不要自行随机划分基础语料库，否则无法与已发表结果比较。
§5.2 社区惯例划分
当必须自行划分时，社区惯例是：
- 按文档划分，严禁按句子划分。同一篇摘要的句子共享大量实体与上下文（尤其是共指关系），按句子划分会导致训练集与测试集之间的实体重叠，产生严重的乐观偏差。
- 按 PMID 去重后分层抽样。抽样时应对事件类型或实体类型分层，避免测试集中出现训练集未见的事件类型。
- 保留 10-20% 作为测试集，若用于模型选择则再切出 10% 开发集。
- 固定随机种子并公开划分文件，以保证结果可复现。
§5.3 泄漏风险（重点）
GENIA 特有的泄漏模式有四种：
泄漏 1：同一摘要的跨句实体重复。 一篇摘要中「IL-2」可能出现在 5 个句子里。若按句子划分，训练集里的「IL-2」与测试集里的「IL-2」共享同一个实体标识与上下文模式，模型只需记住实体字符串即可获得高分，而实际泛化能力为零。缓解：按 PMID 划分。
泄漏 2：术语 span 的金标准边界被当作特征。 若在预处理阶段直接用术语词典构建特征，而该词典是从 GENIA 全量标注中提取的，则测试集信息已进入特征。缓解：特征词典必须仅从训练集构建。
泄漏 3：事件嵌套导致的跨划分引用。 BioNLP-ST 的 a2 文件中，一个事件可能引用跨文件的事件 ID（等价标记）。若划分时拆散了等价事件对，会造成标注不完整。缓解：使用官方提供的划分文件，不要自行重划。
泄漏 4：版本混用。 v3.0 与 v3.02 的标注范围不同，若训练集来自 v3.0 而测试集来自 v3.02，测试集中会包含训练集中根本没有的标注类别。缓解：统一版本，并在论文中明确记录版本号。
§5.4 交叉验证建议
对于基础语料库上的探索性实验，推荐 5 折交叉验证，且折的划分必须在文档层面（同一 PMID 的所有句子必须在同一折）。BioNLP’11 的官方分析指出，多数任务的开发集与测试集结果差异显著，部分归因于缺乏交叉验证以及事件分布未在集合间分层。因此，若自行做交叉验证，建议对事件类型做分层以保证每折的事件类型分布一致。
§5.5 外部验证建议
GENIA 训练出的模型必须在域外语料上验证泛化性。推荐的外部验证集合：
| 外部语料 | 域特征 | 验证目的 |
|---|---|---|
| BC2GM / GENETAG | 通用基因/蛋白提及 | 基因名识别泛化 |
| BC5CDR | 化学物-疾病关系 | 跨实体类型泛化 |
| CRAFT | 全文、7 类概念 | 全文与 ontology 链接泛化 |
| BioInfer | 蛋白相互作用关系 | 关系抽取泛化 |
| i2b2/VA | 临床病历文本 | 域外（临床 vs 文献）泛化 |
| BioNLP-ST ID | 传染病事件 | 事件类型泛化 |
| BioNLP-ST EPI | 表观遗传事件 | 相近事件类型泛化 |
关键证据：BioNLP’11 的 ID 任务（传染病）结果显示，事件抽取方法可以成功泛化到新的主题域与新的论元类型，但性能有适度损失；EPIc（核心任务）与 EPIf（全任务）之间的差距表明，泛化到相近事件类型存在挑战，而附加论元抽取的挑战更大。这说明「域泛化」在生物事件抽取中是可实现的但代价明确。
§6 AI 就绪指南
§6.0 云端快速启动
GENIA 数据集体积很小（约 25 MB），完全可以在标准 Colab 或任何 CPU 环境中处理，无需 GPU 即可完成数据加载与探索。若需训练事件抽取模型，建议至少 1 张 16 GB 显存的 GPU。
# 环境准备（CPU 环境亦可完成数据解析）
pip install lxml pandas scikit-learn transformers seqeval
python -c "import lxml, pandas, sklearn, transformers; print('OK')"
§6.1 快速上手
# ============================================================
# GENIA 快速上手
# 目录结构预期（解压 GENIAcorpus3.02.tar.gz 后）：
# <data_root>/genia/GENIAcorpus3.02.xml # 完整多层 XML
# <data_root>/genia/GENIAcorpus3.02.0.xml # 纯文本版
# <data_root>/term-lexicon/genia-lexicon.csv # 术语词典
# data_root 拼接关系：所有路径均以 data_root 为前缀拼接
# xml_path = f"{data_root}/genia/GENIAcorpus3.02.xml"
# 最小可用子集：取前 100 篇摘要（约 1 MB）即可跑通全流程
# ============================================================
from lxml import etree
data_root = "/path/to/genia-corpus" # 修改为你的实际解压路径
xml_path = f"{data_root}/genia/GENIAcorpus3.02.xml"
# 1) 解析：GENIA XML 约 25 MB，完整加载内存占用可接受
tree = etree.parse(xml_path)
root = tree.getroot()
# 2) 遍历文档，抽取句子与术语标注
records = []
for article in root.iter("article"):
pmid = article.get("id") or "" # MEDLINE ID 存于 article 属性
for sentence in article.iter("sentence"):
sent_text = "".join(sentence.itertext())
# 收集本句内的术语 span 及其 ontology 类别
terms = []
for cons in sentence.iter("cons"):
sem = cons.get("sem")
if sem: # 仅有 sem 属性的才是术语
terms.append({"text": "".join(cons.itertext()), "sem": sem})
records.append({"pmid": pmid, "sentence": sent_text, "terms": terms})
print(f"文档数: {len(set(r['pmid'] for r in records))}")
print(f"句子数: {len(records)}")
print(f"术语数: {sum(len(r['terms']) for r in records)}")
print("对表目标: 文档 2,000 / 术语约 96,582；差异过大说明解析路径有误")
# 3) 查看一条样例
sample = next(r for r in records if r["terms"])
print("\n句子:", sample["sentence"][:120])
print("术语:", sample["terms"][:5])
§6.2 数据获取
| 资源 | 获取方式 | 大小 | 许可 |
|---|---|---|---|
| GENIA corpus v3.02 | 官网下载（geniaproject.org） | 约 25 MB | 标注 CC BY 3.0 |
| GENIA 术语词典 | 随语料发布 | 约 3 MB | CC BY 3.0 |
| GENIA Treebank | 官网或镜像 | 约 15 MB | 研究用途 |
| BioNLP-ST 数据（'09/'11/'13） | 共享任务官网归档 | 各 1-5 MB | 见任务页 |
| JNLPBA 数据 | GENIA 项目共享任务页 | 约 10 MB | CC BY 3.0 |
| GENIA Tagger 3.0.2 | nactem.ac.uk 下载 | 约 20 MB | 限制性（学术非商业 + SA） |
# 方式一：官网下载（推荐，注意查看最新下载说明）
# 浏览器访问 http://www.geniaproject.org/genia-corpus 获取下载链接
# 或镜像：http://corpora.informatik.hu-berlin.de/
# 方式二：检查镜像可用性
curl -sI http://corpora.informatik.hu-berlin.de/ | head -3
# 方式三：GENIA Tagger（工具，非语料）
wget http://www.nactem.ac.uk/tsujii/GENIA/tagger/geniatagger-3.0.2.tar.gz
tar xzvf geniatagger-3.0.2.tar.gz && cd geniatagger-3.0.2 && make
echo "Inhibition of NF-kappaB activation reversed the anti-apoptotic effect." | ./geniatagger
许可要点（必须遵守）：摘要文本来自 PubMed，受 NLM 条款约束；标注由 GENIA Project 创建，以 CC BY 3.0 Unported 授权。分发包必须包含完整许可文本与 Attribution 章节，署名格式为 Corpus annotations (c) GENIA Project，并列出 GENIA Project 成员与资助来源。GENIA Tagger 为限制性许可，学术使用需 Share Alike，商业使用需另行申请。
§6.3 预处理全流程
# ============================================================
# GENIA 预处理：XML → 序列标注格式
# 输入：GENIAcorpus3.02.xml
# 输出：BIO 标注的 token 序列（用于 NER）
# 关键：保留字符偏移，禁止做任何会改变字符串长度的规范化
# ============================================================
import re
from lxml import etree
SEM2TYPE = {
"protein": "protein", "DNA": "DNA", "RNA": "RNA",
"cell_line": "cell_line", "cell_type": "cell_type",
} # JNLPBA 5 超类映射（其余 ontology 类别忽略）
def xml_to_bio(xml_path, keep_types=None):
"""将 GENIA XML 转为 BIO 序列标注样本。
实现要点：
1) 先按原文建 token 及字符起始位置索引
2) 术语 span 通过起始位置命中 token，而非字符串 find
3) 一个 token 被多个 span 覆盖时，取最长 span（最外层术语）
"""
keep_types = keep_types or set(SEM2TYPE)
tree = etree.parse(xml_path)
samples = []
for sentence in tree.iter("sentence"):
sent = "".join(sentence.itertext())
if not sent.strip():
continue
# 建 token 与其在 sent 中的起始偏移
toks, starts = [], []
for m in re.finditer(r"\S+", sent):
toks.append(m.group(0))
starts.append(m.start())
if not toks:
continue
labels = ["O"] * len(toks)
# 收集本句所有术语 span（正文区间 + 类型）
raw_spans = []
offset = 0
for node in sentence.iter():
if node.tag == "cons" and node.get("sem"):
base = node.get("sem").split(".")[0]
text = "".join(node.itertext())
if base in keep_types:
idx = sent.find(text, offset)
if idx >= 0:
raw_spans.append((idx, idx + len(text), base))
offset = idx + len(text)
# 按长度降序，先标长 span，短 span 不覆盖已标位置
raw_spans.sort(key=lambda x: x[1] - x[0], reverse=True)
for s0, s1, etype in raw_spans:
first = True
for i, st in enumerate(starts):
en = st + len(toks[i])
if st >= s0 and en <= s1 and labels[i] == "O":
labels[i] = ("B-" if first else "I-") + etype
first = False
if any(l != "O" for l in labels):
samples.append({"sentence": sent, "tokens": toks, "labels": labels})
return samples
# 执行
samples = xml_to_bio("/path/to/genia-corpus/genia/GENIAcorpus3.02.xml")
print(f"含实体句子数: {len(samples)}")
print("示例:", list(zip(samples[0]["tokens"][:12], samples[0]["labels"][:12])))
# 类别分布检查（诊断类别不均衡，见 §4.2）
from collections import Counter
cnt = Counter(l for s in samples for l in s["labels"] if l != "O")
print("\n实体标签分布:", cnt.most_common(10))
# ============================================================
# 清洗与标准化
# 1) 剔除无实体句（已在 xml_to_bio 中处理）
# 2) 统一 Unicode（NFC），但必须在标注构建完成之后做
# 3) 过滤异常长度句子
# 4) 按 sentence 去重，避免同一句被多层解析重复计入
# ============================================================
import unicodedata
def clean_samples(samples, min_tok=3, max_tok=200):
out, seen = [], set()
for s in samples:
if s["sentence"] in seen:
continue
seen.add(s["sentence"])
if not (min_tok <= len(s["tokens"]) <= max_tok):
continue
out.append({
"tokens": [unicodedata.normalize("NFC", t) for t in s["tokens"]],
"labels": s["labels"],
})
return out
cleaned = clean_samples(samples)
print(f"清洗后样本数: {len(cleaned)}")
§6.4 PyTorch DataLoader
# ============================================================
# GENIA NER 的 PyTorch Dataset / DataLoader
# 预期目录：<data_root>/genia/GENIAcorpus3.02.xml
# 依赖：torch, transformers
# 说明：使用 BioBERT 类 tokenizer，需处理 word-piece 子词对齐
# ============================================================
import torch
from torch.utils.data import Dataset, DataLoader
from transformers import AutoTokenizer
LABELS = ["O", "B-protein", "I-protein", "B-DNA", "I-DNA", "B-RNA", "I-RNA",
"B-cell_line", "I-cell_line", "B-cell_type", "I-cell_type"]
L2I = {l: i for i, l in enumerate(LABELS)}
class GENIANerDataset(Dataset):
"""GENIA 序列标注数据集；长句按 max_len 截断。"""
def __init__(self, samples, tokenizer, max_len=256):
self.samples = samples
self.tok = tokenizer
self.max_len = max_len
def __len__(self):
return len(self.samples)
def __getitem__(self, idx):
s = self.samples[idx]
enc = self.tok(s["tokens"], is_split_into_words=True,
truncation=True, max_length=self.max_len,
padding="max_length", return_tensors="pt")
word_ids = enc.word_ids()
label_ids, prev = [], None
for wid in word_ids:
if wid is None:
label_ids.append(-100) # 特殊 token 不计损失
elif wid != prev:
label_ids.append(L2I[s["labels"][wid]])
else:
# 子词续接：B- 转 I-，O 保持 O
lab = s["labels"][wid]
label_ids.append(L2I["I-" + lab[2:]] if lab.startswith("B-") else L2I[lab])
prev = wid
return {
"input_ids": enc["input_ids"].squeeze(0),
"attention_mask": enc["attention_mask"].squeeze(0),
"labels": torch.tensor(label_ids, dtype=torch.long),
}
# 实例化：按 PMID 分组划分，严禁按句子划分（见 §5.3 泄漏 1）
tok = AutoTokenizer.from_pretrained("dmis-lab/biobert-base-cased-v1.2")
n = len(cleaned)
train_ds = GENIANerDataset(cleaned[: int(n * 0.8)], tok)
test_ds = GENIANerDataset(cleaned[int(n * 0.8):], tok)
train_loader = DataLoader(train_ds, batch_size=16, shuffle=True, num_workers=2)
test_loader = DataLoader(test_ds, batch_size=32, shuffle=False, num_workers=2)
batch = next(iter(train_loader))
print({k: tuple(v.shape) for k, v in batch.items()})
§6.5 坑点（8 个）
⚠️ 坑点 1：按句子划分导致实体泄漏（分类：数据泄漏）
问题：GENIA 官方不提供划分，研究者常图省事按句子随机切分。同一篇摘要的多个句子共享实体与上下文，按句子切分会让同一实体同时出现在训练集与测试集，模型记住实体字符串即可拿高分。
症状：验证 F1 高达 0.95 以上，但换到 JNLPBA 官方测试集后跌到 0.7 以下，落差超过 20 个百分点。
解决：
- 简单方法：用 PMID 分组，
GroupShuffleSplit(groups=pmids)而非train_test_split。- 进阶方法：先按摘要聚合句子，再做文档级分层抽样（按主导实体类型分层），并公开划分文件。
- SOTA 方法：直接采用 JNLPBA 或 BioNLP-ST 官方划分，使结果可在社区基准上对齐。
参考：BioNLP-ST 2011 官方分析指出多数任务开发集与测试集差异显著，部分归因于划分与分布问题（https://aclanthology.org/W11-1801.pdf）
⚠️ 坑点 2：术语 span 的限定语边界不确定（分类：标签理解）
问题：GENIA 标注指南明确「限定语的收纳留待专家判断」。同一术语在不同位置可能被标注成不同边界（如
IL-2 gene transcription与IL-2 gene）。直接用精确匹配评估会低估系统性能，直接训练会学到矛盾的边界模式。
症状：模型预测的 span 与金标准高度重叠但精确匹配 F1 偏低；逐例排查发现差异仅在于是否包含一个形容词或介词短语。
解决：
- 简单方法：评估时同时报告精确匹配与部分匹配（partial match）两套指标，差值即金标准不确定性的度量。
- 进阶方法：训练前对术语做规范化——统一剥离前置修饰语，或按最短 span 规则截断。
- SOTA 方法：改用 CRAFT 这类 span 指南更严格的语料做迁移评估；CRAFT 的规范文档明确将 GENIA 的规则列为反例并给出了更精确的纯句法规则。
参考：CRAFT 概念标注论文（https://tomesphere.com/paper/PMC3476437）
⚠️ 坑点 3：字符偏移在预处理中被破坏（分类：预处理陷阱）
问题：BioNLP-ST 的 a1/a2 文件用字符偏移（
T1<TAB>Type<TAB>start end<TAB>text）定位标注。若在解析前做 Unicode 规范化、去除多余空白或换行统一，偏移会全部错位。
症状：解析后大量标注的 text 与偏移指向的原文片段不一致；用偏移切片取回的词是乱码或错位片段。
解决：
- 简单方法：解析标注时不要读偏移，直接用行尾的 text 字段做字符串匹配定位。
- 进阶方法：所有规范化操作放在偏移解析之后；解析阶段严格保持原始字节序列。
- SOTA 方法：使用官方评估脚本并以其 tokenization / offset 处理逻辑为准，避免自实现差异导致结果不可比。
参考：BioNLP-ST 任务数据说明（http://www.geniaproject.org/shared-tasks/bionlp-jnlpba-shared-task-2004）
⚠️ 坑点 4：把未标注层当成负样本（分类：标签理解）
问题：GENIA 各标注层覆盖范围不一致——句法层只覆盖 36,090 句，共指层与细胞定位层只覆盖部分子集。若把「该句没有共指标注」理解为「该句没有共指关系」，会引入大量假阴性。
症状：共指消解模型在训练时损失异常低但不收敛，F1 长期徘徊在 0.1 以下；排查发现绝大多数「负样本」其实是未标注样本。
解决：
- 简单方法：每层加载前先统计该层的覆盖句集合，只在该集合内构造正负样本。
- 进阶方法：为每层建独立的样本索引（
layer -> set(sentence_id)），跨层分析时取交集而非并集。- SOTA 方法：采用数据卡（datasheet）模式显式记录每层的覆盖范围、标注者与可用子集，并随代码一并发布。
参考：GENIA 项目资源页列出各标注层的独立范围（https://odc-base.org/resolver/SCR_007990）
⚠️ 坑点 5：触发词检测与论元抽取难度差异被忽略（分类：评估误用）
问题：事件抽取任务包含触发词检测与论元填充两部分，后者在已知触发词的前提下难度低得多。若只报告总体 F1，会掩盖触发词检测的真实困难。
症状：论文报告的总体 F1 与已发表结果看似接近，但分解后发现触发词检测 F1 只有 0.27 左右，实际远逊于 SOTA。
解决：
- 简单方法：分别报告 task 1（事件识别）、task 2（论元填充）、task 3（含触发词检测的完整事件）三组指标。
- 进阶方法：采用 BioNLP-ST 的 Approximate Span & Recursive matching 准则，并在论文中明确说明所用准则。
- SOTA 方法：始终与 BioNLP-ST 官方最佳结果对表——例如 Turku 系统在 BioNLP’11 的 GE task 1/2/3 测试 F 值分别为 53.30 / 51.97 / 26.86，三者的鸿沟本身就是重要信息。
参考：Turku 系统 BioNLP’11 结果表（https://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-13-S11-S4/tables/3）
⚠️ 坑点 6：跨数据集分数直接比较（分类：评估误用）
问题：GENIA/JNLPBA 的 NER 分数约 72.6%，而 GENETAG 的分数可达 87.21%，看似 GENETAG 上的系统更强。实际上两者评测协议完全不同。
症状：在论文中引用 GENETAG 的 87.21% 作为「基因识别已达高水平」的论据，与自家 JNLPBA 上的 72% 形成误导性对比。
解决：
- 简单方法：在报告中同时注明数据集与匹配准则（精确匹配 vs 允许替代边界）。
- 进阶方法：了解协议差异根源——GENETAG 允许参与者的预测匹配专家提供的替代金标边界，且将 protein/DNA/RNA 合并为单一类型，显著降低了任务难度。
- SOTA 方法：做跨数据集对比时使用统一的评测脚本与统一的实体类型集合重跑，或明确声明不可比。
参考：生物医学 NER 综述（https://academic.oup.com/bib/advance-article-abstract/doi/10.1093/bib/bbaa054/5850239）
⚠️ 坑点 7：域外直接部署导致性能崩塌（分类：偏倚陷阱）
问题：GENIA 域极窄——仅 human / blood cell / transcription factor 三 MeSH 词交集。把在 GENIA 上训练的模型直接用于临床病历或全科文献，词汇与句式分布严重错配。
症状：模型在 GENIA 测试集上 F1 0.7 以上，在临床病历文本上骤降至 0.3 以下，且大量把「病人」「用药」等词误标为蛋白。
解决：
- 简单方法：部署前在目标域上人工抽样 200 句做快速评测，确认可接受再推进。
- 进阶方法：用目标域无标注数据做继续预训练（domain-adaptive pretraining），再用少量目标域标注做微调。
- SOTA 方法：跨域联合训练 + 域对抗损失；或在多域语料（GENIA + BC5CDR + CRAFT + i2b2）上联合训练以获得更均衡的表示。
参考：JNLPBA 测试集一半为超域样本的设计与跨域泛化分析（https://cdn.intechopen.com/pdfs/38735/intech-biomedical_named_entity_recognition_a_survey_of_machine_learning_tools.pdf）
⚠️ 坑点 8：通用分词器在生物医学文本上崩塌（分类：工程陷阱）
问题：生物医学文本含大量连字符、希腊字母与数字混排（
NF-kappaB、IL-2、TNF-alpha），通用分词器会把它们切碎成无意义子词，破坏实体边界。
症状：实体名被切成 4-6 个子词片段，B-/I- 标签对齐后模型学不到完整实体模式；同一实体在不同句子里被切成不同片段。
解决：
- 简单方法：使用域内分词器（如 BioBERT、PubMedBERT 的 tokenizer），其在生物医学词表上的覆盖显著更好。
- 进阶方法：在预处理阶段对连字符形式做归一化（如
NF-kappaB拆为NF-kappa B），但要与金标准偏移同步处理。- SOTA 方法：用 GENIA Tagger 先做词形还原与词性标注，把 bio 词典特征注入模型输入；GENIA Tagger 在 GENIA 语料上的词性准确率为 98.26%，而通用标注器仅 85.19%。
参考：GENIA Tagger 性能对比表（https://www.nactem.ac.uk/GENIA/tagger/）
§6.6 数据增强
| 增强方法 | 安全性 | 说明 |
|---|---|---|
| 实体替换（同类型词典内替换） | ✅ 安全 | 用同 ontology 类别的其他术语替换，保持标签不变 |
| 同义词替换（UMLS/MeSH 同义词） | ✅ 安全 | 需确保替换后语义仍属同类 |
| 随机删除词 | ✅ 安全 | 对 NER 影响小，但可能破坏嵌套事件结构 |
| 句子级回译（英→德→英） | ⚠️ 谨慎 | 可能改变术语边界与否定语义，需人工抽检 |
| 基于语言模型生成伪样本 | ⚠️ 谨慎 | 生成文本的生物学术语真实性无法保证，需领域专家抽检 |
| 术语拼接（组合新术语） | ❌ 危险 | 会产生生物学上不存在的实体，污染词典特征 |
| 打乱句子顺序 | ❌ 危险 | 破坏共指链与事件跨句依赖 |
| 注释符号与标签样式改写 | ❌ 危险 | 字符长度变化会破坏字符偏移，导致标注错位 |
| 事件结构扰动（随机交换论元角色） | ❌ 危险 | 直接制造错误标签，破坏事件嵌套逻辑 |
§6.7 模型推荐
| 任务 | 推荐模型 | 理由 | 预期 F1 |
|---|---|---|---|
| 命名实体识别 | BioBERT / PubMedBERT + CRF | 域内预训练，tokenizer 覆盖好 | 0.70-0.75 |
| 命名实体识别（轻量） | BiLSTM-CRF + GENIA 词向量 | 依赖少、可解释 | 0.65-0.70 |
| 事件抽取 | TEES（SVM + 规则流水线） | BioNLP-ST 历史最佳系统之一 | 0.51-0.55 |
| 事件抽取 | 基于 BERT 的联合推理模型 | 端到端、可利用嵌套结构 | 0.50-0.57 |
| 触发词检测 | BioBERT token classification | 序列标注形式直接映射 | 0.60-0.70 |
| 句法分析 | 域内微调的 Biaffine parser | 利用 GENIA Treebank 训练 | UAS 0.88+ |
| 词性标注 | GENIA Tagger | 开箱即用、域内最优 | 0.98（准确率） |
§6.8 硬件需求
| 环节 | 最低配置 | 推荐配置 | 耗时量级 |
|---|---|---|---|
| 数据解析与探索 | 4 GB 内存 CPU | 16 GB 内存 | 分钟级 |
| GENIA Tagger 运行 | 1 核 CPU | 4 核 CPU | 每秒数百句 |
| NER 微调（BioBERT base） | 8 GB 显存 | 16 GB 显存 | 单卡数小时 |
| 事件抽取训练（TEES） | 8 GB 内存 CPU | 32 GB 内存 | 数小时 |
| 句法分析器训练 | 8 GB 显存 | 24 GB 显存 | 数小时 |
| 全流程复现 | 16 GB 显存单卡 | 24 GB 显存 + 64 GB 内存 | 半天内 |
§6.9 评估代码
# ============================================================
# GENIA / JNLPBA NER 评估：精确匹配与部分匹配双指标
# 依赖：seqeval
# 注意：必须按实体类型分别报告，否则 protein 占比过高会掩盖稀有类问题
# ============================================================
from seqeval.metrics import classification_report, f1_score
from seqeval.scheme import IOB2
def evaluate_ner(y_true, y_pred):
"""y_true / y_pred 为 BIO 标签序列的列表（已去除 -100）。"""
print(classification_report(y_true, y_pred, mode="strict", scheme=IOB2))
strict = f1_score(y_true, y_pred, mode="strict", scheme=IOB2)
partial = f1_score(y_true, y_pred, mode="partial", scheme=IOB2)
print(f"精确匹配 F1: {strict:.4f}")
print(f"部分匹配 F1: {partial:.4f}")
print(f"边界歧义造成的差距: {partial - strict:.4f}")
return strict, partial
def evaluate_events(gold_events, pred_events):
"""BioNLP-ST 事件评估（Approximate Span & Recursive matching）。
gold/pred 为 (event_type, trigger, frozenset(arguments)) 的集合。"""
g, p = set(gold_events), set(pred_events)
tp = len(g & p)
prec = tp / len(p) if p else 0.0
rec = tp / len(g) if g else 0.0
f1 = 2 * prec * rec / (prec + rec) if (prec + rec) else 0.0
print(f"事件 F1: {f1:.4f} (P={prec:.4f}, R={rec:.4f})")
print("提示：请同时报告 task 1/2/3 分层指标，勿只报总体值")
return f1
§6.10 MLOps 笔记
| 环节 | 要点 |
|---|---|
| 版本记录 | 必须记录 GENIA 版本号（v3.0 或 v3.02），标注范围不同 |
| 许可合规 | 分发包附完整 GENIA Project License 与 Attribution 章节 |
| 数据卡 | 记录域限制（三 MeSH 词）、标注层覆盖范围、标注者数量 |
| 划分固化 | 将划分文件（PMID 列表）纳入版本控制，禁止运行时随机划分 |
| 评测协议 | 记录匹配准则（精确 / 部分 / 近似）与评估脚本版本 |
| 模型卡 | 声明训练域，明确禁止直接用于临床文本的提示 |
| 复现性 | 固定随机种子，记录 tokenizer 与模型 checkpoint 的精确版本 |
| 部署监控 | 监控输入文本的域漂移（词汇覆盖率、平均句长、OOV 比例） |
§7 质量评估与局限性
§7.1 已知偏倚
| 偏倚类型 | 描述 | 严重程度 | 缓解措施 |
|---|---|---|---|
| 选择偏倚 | 仅用 human / blood cell / transcription factor 三 MeSH 词检索，域极窄 | 高 | 报告域限制；跨域语料联合训练 |
| 时间偏倚 | 摘要主要来自 1990 年代，缺现代高通量测序与单细胞词汇 | 中 | 与现代语料（CRAFT、BC5CDR）联合使用 |
| 发表偏倚 | 仅收录已发表文献，阳性结果偏多 | 中 | 意识到事件分布偏向已确立的调控关系 |
| 标注者偏倚 | 仅 2 名专家标注术语层，限定语规则主观 | 中 | 报告部分匹配指标；抽检金标准噪声 |
| 类别不平衡 | protein 占比超三分之二，RNA 稀少 | 中 | 类加权损失、重采样 |
| 语言偏倚 | 仅英文 | 低 | 明确声明；多语言任务需另找语料 |
| 文本类型偏倚 | 仅题名 + 摘要，不含全文与图表说明 | 中 | 全文任务改用 BioNLP’11 GEf 或 CRAFT |
| 粒度偏倚 | 术语 span 规则对不同修饰结构的处理不一致 | 中 | 规范化预处理；使用指南更严格的外部语料评估 |
§7.2 标注质量
GENIA 术语层由两名领域专家标注，标注方案对说明语与限定语的取舍作了规则化约定，但限定语部分「留待专家判断」，且未见公开的标注者间一致性（IAA）系数。这一透明度不足被后续工作直接指出——CRAFT 语料的方法学论文将 GENIA 列为「span 选择指南不清晰、导致标注不一致」的典型案例，与 i2b2/VA 语料并称。
JNLPBA 子集的一致性问题是更明确的已知缺陷。生物医学 NER 综述指出，JNLPBA 的低标注一致性被认为是难以提升性能的原因之一，即使 GRAM-CNN 等深度学习方法也仅达到 72.57% 的 F1，与任务最高分 72.6% 几乎持平，说明瓶颈可能不在模型侧而在标签侧。
事件层的标注质量相对更好。BioNLP-ST 各届任务均报告了标注者间一致性，通常在 F 值 0.8-0.9 区间，这是事件抽取能被持续改进的基础。
§7.3 泛化性风险
| 应用场景 | 失效风险 | 证据 |
|---|---|---|
| 临床病历 NER | 极高 | i2b2/VA 语料属完全不同文本类型（含缩写、错字、非正式表达） |
| 全科生物医学文献 | 高 | 语料仅覆盖转录因子 / 血细胞子域 |
| 现代分子生物学文献 | 中高 | 缺单细胞测序、CRISPR、空间转录组等新词汇 |
| 化学物 / 药物实体 | 高 | GENIA 无药物与化学物实体类型 |
| 疾病实体识别 | 高 | 语料中疾病名称比例极低，不构成训练信号 |
| 事件抽取跨域迁移 | 中 | BioNLP’11 ID 任务证明可泛化但性能损失明显 |
| 相近事件类型泛化 | 中 | EPIc 与 EPIf 的差距表明事件类型相近但论元不同时存在挑战 |
| 全文文献处理 | 中 | 基础语料仅摘要；需用 BioNLP’11 GEf 或 CRAFT |
| 多语言任务 | 极高 | 无任何非英语标注 |
关键证据：BioNLP’11 的结果表明事件抽取方法可以成功泛化到新的文本类型、事件类型与领域，但性能损失是明确且可测量的。GEa（摘要）最佳 F 值 57.46 与 GEf（全文）最佳 53.14 的差距，以及 EPIc 最佳 68.86 与 EPIf 最佳 53.33 的差距，量化了这种泛化代价。
§7.4 伦理考量
GENIA 不涉及患者数据，其上标注的文本均为已发表的科学文献摘要，因此人体受试者保护与隐私风险极低。主要的伦理考量在于：
- 署名与许可合规。GENIA Project 明确要求分发时包含完整许可文本与 Attribution 章节，署名格式为
Corpus annotations (c) GENIA Project，并列出项目成员与资助来源（MEXT、JST 等）。遗漏署名构成许可违规。 - 摘要版权。摘要来自 PubMed，NLM 明确表示不承担使用版权材料的责任，使用者需自行判断。部分摘要可能受非美国版权法保护。
- 工具许可差异。GENIA Tagger 采用限制性许可，学术非商业使用需 Share Alike，商业使用另有条件。将语料与工具一并打包分发时需分别处理两种许可。
- 下游应用责任。基于 GENIA 训练的文献挖掘系统若用于药物靶点发现等转化研究，其结论仍需实验验证，不应直接作为临床依据。
§7.5 公平性
GENIA 的公平性问题不体现在人群属性（无患者数据），而体现在领域与语言公平性：
| 维度 | 问题 | 影响 |
|---|---|---|
| 领域覆盖 | 集中在单一子域（转录因子 / 血细胞） | 对热带病、罕见病、公共卫生等领域文献的抽取能力未经验证 |
| 语言 | 仅英文 | 非英语生物医学文献处理需另建语料 |
| 物种 | 受 human 检索词限定 | 动物模型文献（小鼠、斑马鱼等）覆盖不足 |
| 时代 | 1990 年代文献为主 | 对现代研究范式的代表性有限 |
| 研究资源分布 | 涵盖的期刊以欧美日为主 | 全球南方研究者的文献可能代表性不足 |
训练面向全球应用的生物医学抽取系统时，应把 GENIA 视为「方法学基准」而非「覆盖面基准」，并明确补充其他域的标注数据。
§7.6 数据漂移
GENIA 是一份静态的历史语料，其内容不会漂移，但生物医学文本的分布会持续漂移，导致模型与语料的距离随时间增大：
| 漂移来源 | 表现 | 应对 |
|---|---|---|
| 新术语涌现 | CRISPR、单细胞测序、空间组学等词汇缺失 | 定期在目标域重测，观察词汇覆盖率下降 |
| 写作风格变化 | 结构化摘要、图形摘要普及 | 补充现代摘要语料 |
| 实体命名规范变化 | 基因命名委员会（HGNC）规范更新 | 建立实体名规范化层 |
| 发表平台变化 | 预印本占比上升 | 补充预印本文本 |
监控建议：部署后持续统计输入文本中未登录词（OOV）比例与实体类型的实际分布。若 OOV 比例超过训练时的 2 倍，或某实体类型的出现频率分布发生显著偏移，即应触发重新评估。
§7.7 DAIMS 24 项数据就绪度评估
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 数据为宽格式（每行一个样本/事件） | ⚠️ | 原版为嵌套 XML，需转换为行式记录（a1/a2 格式即为行式） |
| 2 | 有唯一标识符列 | ✅ | PMID 唯一标识文档；T/E/R 行号唯一标识标注 |
| 3 | 无 Unicode 或特殊字符 | ⚠️ | 含希腊字母与连字符混排（NF-kappaB、TNF-alpha），预处理需谨慎 |
| 4 | 无重复行 | ✅ | 文档层无重复 PMID；同一句在多层中出现属正常分层 |
| 5 | 缺失值已识别并编码 | ✅ | §4.5 信息性缺失编码表（结构缺失 vs 未标注） |
| 6 | 标签列被明确标识 | ✅ | ontology 概念名、事件类型名、关系类型名均为显式标签 |
| 7 | 已对罕见类别（<3%）进行分组 | ❌ | 47 类 ontology 中大量类别占比极低，未做分组 |
| 8 | 偏倚评估已完成 | ✅ | §7.1 列出 8 类偏倚与缓解措施 |
| 9 | 有完整的数据字典 | ⚠️ | ontology 定义完整，但无传统意义的字段级数据字典 |
| 10 | 对"信息性缺失"有明确编码解释 | ⚠️ | 各标注层覆盖范围未在单一文档中集中说明，需从多处拼合 |
| 11 | 数据采集设备和设置已记录 | ✅ | §3.9 标注工具（XConc）与标记方案完整记录 |
| 12 | 已移除完全共线性变量 | ⚠️ | 不适用传统共线性；但事件嵌套导致论元高度相关，未做处理建议 |
| 13 | 对编码的映射标准已说明 | ✅ | GENIA ontology 与 MeSH 检索词的映射关系明确 |
| 14 | 对时间戳的处理已明确说明 | ⚠️ | 摘要发表时间分布未在语料中显式编码 |
| 15 | 训练/验证/测试划分建议已给出 | ❌ | 基础语料无官方划分；仅派生任务（JNLPBA、BioNLP-ST）有划分 |
| 16 | 数据泄漏风险已被讨论 | ✅ | §5.3 四种泄漏模式（跨句实体、特征词典、事件等价、版本混用） |
| 17 | 标签分布已被分析 | ✅ | §4.2 ontology 类别与 5 超类分布 |
| 18 | 选择性测量偏倚已被讨论 | ✅ | §7.1 选择偏倚列为首要风险 |
| 19 | 外部验证建议已给出 | ✅ | §5.5 七个外部语料与验证目的 |
| 20 | 数据更新和版本信息已记录 | ✅ | §1.4 版本时间轴（v3.0 → v3.02 → 工具与任务扩展） |
| 21 | 最小必要预处理脚本已提供 | ⚠️ | 社区有解析脚本但无官方统一版本；需自实现（见 §6.3） |
| 22 | 合规使用要求已明确 | ✅ | §6.2 许可要点（PubMed 条款 + CC BY 3.0 + 署名格式） |
| 23 | 多模态对齐方法已说明 | ⚠️ | 纯文本语料，不涉及多模态；多层文本标注的对齐需按字符偏移处理 |
| 24 | 去标识化方法已被记录 | ✅ | 语料为已发表摘要，本身无患者标识符；无额外去标识化需求 |
DAIMS 评分：16.5 / 24
评分解读：良好偏中——标注深度与版本透明度属于同类语料的顶尖水平，12 项 ✅ 集中在文档化、偏倚披露、标签分布与合规说明；扣分集中在「语料库建设初期未考虑 AI 就绪性」这一时代特征：无官方划分（第 15 项 ❌）、无字段级数据字典（第 9 项 ⚠️）、无统一预处理脚本（第 21 项 ⚠️）、罕见类未分组（第 7 项 ❌）。这些问题都不是标注质量问题，而是「2003 年的语料库没预料到 2017 年之后的使用方式」。
对你意味着什么：
- 不要从零开始划分（针对第 15 项 ❌）。基础语料没有划分意味着任何自建划分都不可与他人比较。做 NER 就用 JNLPBA 的 2,000/404 划分，做事件抽取就用 BioNLP-ST 对应年份的划分——这是唯一能与已发表结果对齐的路径。若确实需要自建划分，必须按 PMID 分组并公开划分文件。
- 预留数据工程工时（针对第 1、9、21 项 ⚠️）。25 MB 的 XML 解析看似简单，但嵌套的 cons 标签、字符偏移的脆弱性、各层覆盖范围不一致会消耗大量调试时间。建议第一天先写一个覆盖文档层到术语层的解析器并打印统计值，与论文报告的 2,000 篇 / 96,582 条标注对表，确认解析正确后再往下走。
- 对罕见类做显式处理（针对第 7 项 ❌）。protein 占比超三分之二意味着一个「全部预测为 protein」的基线就能拿到不错的总体 F1，但 RNA 类会完全失效。评估时必须按类型分别报告（§6.9 的代码已包含），并使用类加权损失。
- 把域限制写进模型卡（针对第 18 项 ✅ 的延伸）。GENIA 的偏倚披露是同类语料中最诚实的之一，请把这份诚实传递下去——在模型卡中明确写出「训练域为转录因子 / 血细胞文献摘要，不适用于临床文本」，这会替你避免大量下游误用。
- 接受金标准本身有噪声（针对第 3 项与 §3.6）。术语 span 的限定语规则主观性意味着即使完美模型也达不到 100% 精确匹配。评估时同时报告精确匹配与部分匹配（§6.9），两者的差距本身就量化了金标准的不确定性。
§7.8 外部验证矩阵
| 外部数据集/场景 | 来源机构 | 评估任务 | 性能指标 | 相对内部变化 | 关键发现 |
|---|---|---|---|---|---|
| JNLPBA 测试集（超域半数） | GENIA Project | BioNER（5 超类） | F1 72.6%（历史最高） | 域外样本占一半 | 域外半数的存在使高分更难，反映真实泛化能力 |
| GRAM-CNN 深度模型 | 学界复现 | BioNER（5 超类） | F1 72.57% | 与历史最高基本持平 | 深度模型未突破，提示瓶颈在标签侧 |
| GENETAG | BioCreative II | 基因提及识别 | F1 87.21% | 分数显著更高 | 允许替代边界匹配 + 实体类型合并，与 JNLPBA 不可直接比较 |
| BioNLP’11 GEa（摘要） | BioNLP-ST | 事件抽取 | R/P/F 50.00/67.53/57.46 | 优于 '09 的 51.95 | 相比 '09 误差下降超 10% |
| BioNLP’11 GEf（全文） | BioNLP-ST | 事件抽取 | R/P/F 47.84/59.76/53.14 | 相比 GEa 降 4.32 点 | 泛化到全文可行但代价明确 |
| BioNLP’11 ID（传染病） | BioNLP-ST | 事件抽取（跨域） | 最佳 F 55.59 | 与 GE 相当 | 证明可泛化到新主题域与新论元类型 |
| BioNLP’11 EPIc vs EPIf | BioNLP-ST | 事件抽取（相近类型） | 68.86 vs 53.33 | 差 15.53 点 | 论元集扩展带来最大挑战 |
| BioNLP’13 GE（全文） | BioNLP-ST | 事件抽取（13 类） | 最佳 F 50.97（EVEX） | 事件类型增至 13 类 | 类型数增加带来难度上升 |
| Turku 系统 GE task 1/2/3 | University of Turku | 事件抽取分任务 | 53.30 / 51.97 / 26.86 | task 3 骤降 | 触发词检测是主要难点 |
| GENIA Tagger 跨域 | NaCTeM | POS 标注 | WSJ 96.94% / GENIA 98.26% | 域间差异小 | 领域适配后通用性能不损失 |
§8 基准性能与生态
§8.1 排行榜
BioNLP-ST GE（GENIA 事件）任务历史最佳结果
| 排名 | 模型 | 性能（F1） | 年份 | 关键技术 | 完整引用 | 代码 |
|---|---|---|---|---|---|---|
| 1 | FAUST（Stacking） | 57.46 | 2011 | UMASS + Stanford 流水线堆叠（MaxEnt + MSTParser） | Riedel et al., 2011, BioNLP Shared Task 2011 Workshop. ACL Anthology W11-1801 | 未公开 |
| 2 | TEES | 54.89 | 2009 | SVM + 规则流水线 | Björne et al., 2009, BioNLP 2009 Workshop Companion Volume for Shared Task, pp. 10-18 | 开源（Turku） |
| 3 | UMASS（Joint inference） | 53.14 | 2011 | 联合推理（事件识别与论元填充一体化） | Riedel et al., 2011, BioNLP Shared Task 2011 Workshop | 未公开 |
| 4 | MSR-NLP | 51.5 | 2011 | 流水线 + 词汇句法特征聚类 | Quirk et al., 2011, BioNLP Shared Task 2011 Workshop, pp. 155-163 | 未公开 |
| 5 | EVEX | 50.97 | 2013 | SVM 流水线（大规模文献事件抽取） | Björne & Salakoski, 2013, BioNLP Shared Task 2011 Workshop | 部分开源 |
| 6 | TEES 2.1 | 50.74 | 2013 | SVM 流水线（升级版） | Björne & Salakoski, 2013, BioNLP Shared Task 2011 Workshop | 开源 |
| 7 | BioSEM | 50.68 | 2013 | 规则流水线 | Bui et al., 2013, BioNLP Shared Task 2011 Workshop | 开源 |
数值不可直接比较的原因：上表混合了三个年份（2009/2011/2013）、两种文本类型（摘要 vs 全文）与多种事件类型集合（9 类 vs 13 类）的结果。BioNLP’11 的 GEa 与 GEf 使用不同文本、BioNLP’13 扩展到 13 类事件，任务难度不可等价。横向比较时必须确认「同一任务、同一年份、同一文本类型」。
BioNLP-ST 各子任务最佳结果（BioNLP’11 官方汇总）
| 子任务 | 最佳 R/P/F | 说明 |
|---|---|---|
| GEa（摘要） | 50.00 / 67.53 / 57.46 | GENIA 事件，摘要文本 |
| GEf（全文） | 47.84 / 59.76 / 53.14 | GENIA 事件，全文文本 |
| GEp（磷酸化） | 79.26 / 86.99 / 82.95 | 单事件类型，难度显著低 |
| GEI（定位） | 37.88 / 77.42 / 50.87 | 定位事件 |
| EPIf（全任务） | 52.69 / 53.98 / 53.33 | 表观遗传，14 类事件 |
| EPIc（核心任务） | 68.51 / 69.20 / 68.86 | 表观遗传，核心子集 |
| EPIp（磷酸化） | 86.15 / 74.67 / 80.00 | 单事件类型 |
| IDf（全任务） | 48.03 / 65.97 / 55.59 | 传染病，全文 |
| IDc（核心任务） | 50.62 / 66.06 / 57.32 | 传染病，核心子集 |
| BB | 45.00 / 45.00 / 45.00 | 细菌生境 |
| BI | 71.00 / 85.00 / 77.00 | 结合事件 |
| CO | 22.18 / 73.26 / 34.05 | 协调关系 |
| REL | 50.10 / 68.00 / 57.70 | 关系 |
| REN | 79.60 / 95.90 / 87.00 | 重命名 |
BioNLP’13 各子任务最佳结果
| 子任务 | 最佳系统 | F1 | 事件类型数 |
|---|---|---|---|
| GE（全文） | EVEX | 50.97 | 13 |
| CG（癌症遗传学） | TEES 2.1 | 55.41 | 40 |
| PC（通路整理） | EventMine | 52.84 | 23 |
| GRO（关系） | TEES 2.1 | 63.00 | 8 |
| GRN（细菌调控网络） | U. Ljubliana | 0.73（SER，越低越好） | 12 |
| BB（细菌生境） | TEES 2.1 | 42.00 | 2 |
BioNLP’09 GE 基线对比
| 系统 | 年份 | F1 | 说明 |
|---|---|---|---|
| BioNLP-ST 2009 最佳 | 2009 | 51.95 | 任务总体最佳 |
| Miwa et al. (M10) | 2010 | 53.29 | 此前最佳单系统 |
| LLL 2005 | 2005 | 54.30 | 早期挑战赛最佳 |
| TEES | 2009 | 54.89 | SVM + 规则流水线 |
§8.2 SOTA 总结与选型建议
GENIA 事件抽取的 SOTA 长期停留在 50-57 F1 区间，这一数字的「低」是任务固有难度的体现，而非方法落后。核心难点有三：一是事件嵌套（论元可以是另一个事件），二是触发词的多义性（expression 可以是基因表达事件也可以是蛋白质表达量描述），三是论元省略（原文未提及的部分形成结构性缺失）。
选型建议：
- 追求可复现与稳定：选 TEES。它是 BioNLP-ST 历史上持续表现优异的开源系统，在 2009/2011/2013 三届均进入前列。
- 追求最高性能：选流水线堆叠（FAUST 式），但需要 2-3 个独立组件的工程投入。
- 做现代深度学习方案：BERT 类模型在 GEa 上可达与 TEES 相当的水平，但需注意训练数据稀缺（约 800 篇摘要），过参数化风险高，建议使用域内预训练权重与强正则。
- 做触发词检测：这是被低估的子任务。Turku 系统在 task 1/2 上分别达到 53.30/51.97，而 task 3 只有 26.86，说明触发词检测是主要瓶颈，值得单独优化。
- NER 任务：BioBERT / PubMedBERT + CRF 是标准选择，F1 目标 0.70-0.75；超过 0.75 需警惕划分泄漏（见坑点 1）。
§8.3 评测协议
| 环节 | BioNLP-ST 约定 | 注意事项 |
|---|---|---|
| 匹配准则 | Approximate Span & Recursive matching | 与简单精确匹配的结果差异显著 |
| 事件等价 | 星号标记等价事件 | 评估时须处理等价关系 |
| 触发词 | 必须完全匹配才算正确 | 名词化与动词形式的归一化须在预处理处理 |
| 论元 | 递归匹配（论元可以是事件） | 需实现递归比较 |
| 指标 | R / P / F（GRN 用 SER） | GRN 是唯一用槽错误率的任务 |
| 官方脚本 | 各届提供的评估脚本 | 强烈建议使用官方脚本而非自实现 |
| NER 匹配 | 精确匹配（JNLPBA） | 与 GENETAG 的替代边界匹配不同 |
§8.4 相关数据集
| 数据集 | 关系 | 规模 | 用途差异 |
|---|---|---|---|
| JNLPBA | 直接派生 | 2,404 篇摘要 | NER 专用，5 超类 |
| GENETAG | 同域独立 | 20,000 句 | 基因名识别 |
| GENIA Treebank | 同项目派生 | 36,090 句 | 句法分析 |
| CRAFT | 方法学后继 | 67 篇全文 / 87,674 条 | 概念链接、span 规范更严格 |
| BC5CDR | 同域扩展 | 1,500 篇文献 | 化学物-疾病关系 |
| BC2GM | BioCreative 系列 | 20,000 句 | 基因提及识别 |
| BioInfer | 同域 | 1,100 句 | 蛋白相互作用关系 |
| i2b2/VA | 临床域对照 | 394 + 477 篇 | 临床文本概念抽取 |
§8.5 关键论文 Top 7
-
Kim J-D, Ohta T, Tateisi Y, Tsujii J. (2003). GENIA corpus—a semantically annotated corpus for bio-textmining. Bioinformatics, 19(suppl_1), i180-i182. DOI: 10.1093/bioinformatics/btg1023. 语料库的奠基性论文，定义了 2,000 篇摘要的构成、47 类 ontology 与标注方案，是本文档全部规模数字的来源。
-
Kim J-D, Ohta T, Tateisi Y, Tsujii J. (2003). GENIA Treebank annotation guidelines / GENIA Treebank v1.0. 描述 36,090 句 Penn 风格句法树的标注规范，是生物医学句法分析的基础资源；相关讨论见 Bioinformatics 26(8):1098。
-
Tsuruoka Y, Tateisi Y, Kim J-D, Ohta T, McNaught J, Ananiadou S, Tsujii J. (2005). Developing a Robust Part-of-Speech Tagger for Biomedical Text. Advances in Informatics — 10th Panhellenic Conference on Informatics (PCI 2005), Springer, pp. 382-392. GENIA Tagger 的方法学论文，给出域适配词性标注的关键设计与性能数据。
-
Kim J-D, Ohta T, Pyysalo S, Kano Y, Tsujii J. (2009). Overview of BioNLP’09 Shared Task on Event Extraction. Proceedings of the BioNLP 2009 Workshop Companion Volume for Shared Task, pp. 1-9. 首个基于 GENIA 事件模型的共享任务综述，24 支队伍参与，确立事件抽取的评测框架。
-
Kim J-D, Pyysalo S, Topić G, Choe H, Ananiadou S, Tsujii J. (2011). Overview of BioNLP Shared Task 2011. Proceedings of BioNLP Shared Task 2011 Workshop, pp. 1-6. 引入全文泛化（GEf）、跨域泛化（ID）与表观遗传（EPI）任务，量化了泛化代价。
-
Nédellec C, Bossy R, Kim J-D, Kim J-J, Ohta T, Pyysalo S, Zweigenbaum P. (2013). Overview of BioNLP Shared Task 2013. Proceedings of the BioNLP Shared Task 2013 Workshop, pp. 1-7. 事件类型扩展至 13 类并覆盖癌症遗传学与通路整理，体现事件模型向系统生物学知识库构建的延伸。
-
Björne J, Salakoski T. (2011). Generalizing biomedical event extraction. Proceedings of the BioNLP Shared Task 2011 Workshop, pp. 183-191. TEES 系统的方法学论文，是 BioNLP-ST 历史上最稳定且开源的系统之一。
§8.6 社区活跃度
| 指标 | 状态 | 说明 |
|---|---|---|
| 基础语料更新 | 已冻结 | GENIA corpus 自 2010 年后无重大版本更新 |
| 社区使用 | 持续活跃 | 作为基线语料被广泛引用，Google Scholar 引用 2,300+ |
| 工具维护 | 低活跃 | GENIA Tagger 3.0.2（2016）为最终版本 |
| 共享任务 | 已结束 | BioNLP-ST 系列活动最后一届为 2016 年相关任务 |
| 衍生语料 | 持续增长 | 大量语料沿用 GENIA 标注规范 |
| 论坛讨论 | 少 | 主要通过论文引用而非社区论坛传播 |
§8.7 生态快照
| 资源 | 类型 | 链接 | Star/热度（截至 2025-12） | 推荐理由 |
|---|---|---|---|---|
| GENIA 项目官网 | 官方门户 | http://www.geniaproject.org | 无公开指标 | 唯一权威下载与版本信息源 |
| GENIA Tagger | 工具 | https://www.nactem.ac.uk/GENIA/tagger/ | 无公开指标 | 开箱即用的域内 POS + NER |
| BioNLP-ST 归档 | 任务数据 | http://www.geniaproject.org/shared-tasks/bionlp-jnlpba-shared-task-2004 | 无公开指标 | 事件抽取划分与评测脚本 |
| 镜像仓库（HU Berlin） | 镜像 | http://corpora.informatik.hu-berlin.de/ | 无公开指标 | 官网不可用时的备份获取渠道 |
| TEES 系统 | 代码 | Turku BioNLP Group 发布 | 活跃 | BioNLP-ST 历史最佳开源系统 |
| CRAFT 语料 | 相关语料 | http://bionlp-corpora.sourceforge.net/CRAFT/ | 中等 | span 规范更严格的全文语料 |
§9 相关资源与引用
§9.1 官方资源
| 资源 | 链接 | 说明 |
|---|---|---|
| GENIA 项目主页 | http://www.geniaproject.org | 官方门户与版本公告 |
| GENIA corpus 页面 | http://www.geniaproject.org/genia-corpus | 语料库下载与说明 |
| 共享任务页 | http://www.geniaproject.org/shared-tasks/bionlp-jnlpba-shared-task-2004 | JNLPBA 与 BioNLP-ST 数据 |
| GENIA Tagger 主页 | https://www.nactem.ac.uk/GENIA/tagger/ | 工具下载与性能表 |
| Tagger 下载 | http://www.nactem.ac.uk/tsujii/GENIA/tagger/geniatagger-3.0.2.tar.gz | 源码包 v3.0.2 |
| 历史地址 | http://www-tsujii.is.s.u-tokyo.ac.jp/GENIA/ | 早期官方地址 |
| 镜像仓库 | http://corpora.informatik.hu-berlin.de/ | 第三方镜像 |
| RRID 注册号 | https://odc-base.org/resolver/SCR_007990 | 资源标识 SCR_007990 |
§9.2 教程与文档
| 资源 | 说明 |
|---|---|
| GENIA 标注方案 | Kim et al. 2000，XML 标记方案技术描述 |
| GENIA ontology 定义 | 随语料发布的 DAML+OIL 文件，含 47 类层级 |
| BioNLP-ST 数据说明 | 各届任务页的格式与评测协议说明 |
| GENIA Tagger README | 编译与运行说明（需 gcc） |
| CRAFT 标注指南 | 作为 GENIA span 规范的对照与改进参考 |
§9.3 引用指南
引用 GENIA 语料时，应引用原始论文并注明所用版本与派生任务：
- 基础语料库：引用 Kim et al. 2003（Bioinformatics）
- 句法层：注明 GENIA Treebank v1.0
- NER 任务：注明 JNLPBA 2004 划分
- 事件抽取：注明 BioNLP-ST 年份与任务名（如 BioNLP-ST 2011 GEa）
- 工具：引用 Tsuruoka et al. 2005
- 署名要求：分发含标注的数据时必须包含
Corpus annotations (c) GENIA Project
§9.4 BibTeX 引用
@article{kim2003genia,
title = {GENIA corpus---a semantically annotated corpus for bio-textmining},
author = {Kim, Jin-Dong and Ohta, Tomoko and Tateisi, Yuka and Tsujii, Jun'ichi},
journal = {Bioinformatics},
volume = {19},
number = {suppl_1},
pages = {i180--i182},
year = {2003},
doi = {10.1093/bioinformatics/btg1023}
}
@inproceedings{tsuruoka2005tagger,
title = {Developing a Robust Part-of-Speech Tagger for Biomedical Text},
author = {Tsuruoka, Yoshimasa and Tateisi, Yuka and Kim, Jin-Dong and Ohta, Tomoko
and McNaught, John and Ananiadou, Sophia and Tsujii, Jun'ichi},
booktitle = {Advances in Informatics --- 10th Panhellenic Conference on Informatics},
publisher = {Springer-Verlag},
pages = {382--392},
year = {2005}
}
@inproceedings{kim2009overview,
title = {Overview of BioNLP'09 Shared Task on Event Extraction},
author = {Kim, Jin-Dong and Ohta, Tomoko and Pyysalo, Sampo and Kano, Yoshinobu
and Tsujii, Jun'ichi},
booktitle = {Proceedings of the BioNLP 2009 Workshop Companion Volume for Shared Task},
pages = {1--9},
year = {2009}
}
@inproceedings{kim2011overview,
title = {Overview of BioNLP Shared Task 2011},
author = {Kim, Jin-Dong and Pyysalo, Sampo and Topi{\'c}, Goran and Choe, Hyun
and Ananiadou, Sophia and Tsujii, Jun'ichi},
booktitle = {Proceedings of the BioNLP Shared Task 2011 Workshop},
pages = {1--6},
year = {2011}
}
@inproceedings{bjorne2011generalizing,
title = {Generalizing biomedical event extraction},
author = {Bj{\"o}rne, Jari and Salakoski, Tapio},
booktitle = {Proceedings of the BioNLP Shared Task 2011 Workshop},
pages = {183--191},
year = {2011}
}
@inproceedings{riedel2011fast,
title = {Robust biomedical event extraction with stacking},
author = {Riedel, Sebastian and McClosky, David and Surdeanu, Mihai
and McCallum, Andrew and Manning, Christopher D.},
booktitle = {Proceedings of the BioNLP Shared Task 2011 Workshop},
pages = {56--64},
year = {2011}
}
@inproceedings{nedellec2013overview,
title = {Overview of BioNLP Shared Task 2013},
author = {N{\'e}dellec, Claire and Bossy, Robert and Kim, Jin-Dong and Kim, Jung-jae
and Ohta, Tomoko and Pyysalo, Sampo and Zweigenbaum, Pierre},
booktitle = {Proceedings of the BioNLP Shared Task 2013 Workshop},
pages = {1--7},
year = {2013}
}
@article{pyysalo2007bioinfer,
title = {BioInfer: a corpus for information extraction in the biomedical domain},
author = {Pyysalo, Sampo and Ginter, Filip and Heimonen, Johanna and Bj{\"o}rne, Jari
and Boberg, Jorma and J{\"a}rvinen, Jouni and Salakoski, Tapio},
journal = {BMC Bioinformatics},
volume = {8},
pages = {50},
year = {2007},
doi = {10.1186/1471-2105-8-50}
}
§10 AI 使用声明卡
§10.1 AI 模型列表
| 模型 | 用途 | 参与章节 |
|---|---|---|
| fast-model（CodeBuddy Code 内置模型） | 资料检索整合、正文草稿撰写、代码示例编写、结构化整理 | 全篇 |
§10.2 AI 参与范围
AI 参与的具体工作：①基于公开检索结果整理 GENIA 语料的规模数字、版本历史与许可条款；②撰写 §1-§9 的技术叙述性内容；③编写 §6 的 Python 代码示例（XML 解析、BIO 转换、DataLoader、评估函数）；④整理 §7.7 DAIMS 24 项评估表与评分；⑤生成 §C JSON-LD 结构化数据。
AI 未参与的工作：①医学与分子生物学内容的专业判断；②数据集实际访问与验证；③代码在真实数据上的运行测试（代码逻辑经人工审查）；④任何形式的数据集入库、发布或写库操作。
§10.3 输入来源列表
- Kim J-D, Ohta T, Tateisi Y, Tsujii J. GENIA corpus—a semantically annotated corpus for bio-textmining. Bioinformatics, 19(suppl_1), i180-i182, 2003. DOI: 10.1093/bioinformatics/btg1023. https://bioinformatics.oxfordjournals.org/content/19/suppl_1/i180.short
- Kim J-D, Ohta T, Tateisi Y, Tsujii J. GENIA corpus 条目记录. zbMATH/swMATH ID 35527. https://zbmath.org/software/35527
- Springer 章节 The GENIA Corpus: Annotation Levels and Applications. https://link.springer.com/chapter/10.1007/978-94-024-0881-2_54
- GENIA Project 资源注册记录（RRID:SCR_007990）. https://odc-base.org/resolver/SCR_007990
- GENIA Project License for Annotated Corpora 全文（JNLPBA 分发包）. https://huggingface.co/datasets/kgnlp/meld-open/blob/main/JNLPBA/LICENSE
- GENIA Tagger 官方主页（性能表与版本信息）. https://www.nactem.ac.uk/GENIA/tagger/
- GENIA Tagger 元数据记录（Metashare 许可条款）. http://metashare.nlp.ipipan.waw.pl/metashare/repository/browse/genia-tagger/b4001f14328411e2a2aa782bcb0741357a9b05fa16e24671b5f4ff4aa0f6fb81/
- Overview of BioNLP Shared Task 2011（各子任务最佳结果表）. https://aclanthology.org/W11-1801.pdf
- Björne J, Salakoski T. Event-based text mining for biology and functional genomics. Briefings in Functional Genomics, 14(3), 213-230, 2014. DOI: 10.1093/bfgp/elu015. https://pmc.ncbi.nlm.nih.gov/articles/PMC4499874/table/elu015-T1/
- University of Turku in the BioNLP’11 Shared Task（结果表）. BMC Bioinformatics, 13(S11), S4. https://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-13-S11-S4/tables/3
- Domain adaptation for semantic role labeling in the biomedical domain. Bioinformatics, 26(8), 1098, 2010. https://academic.oup.com/bioinformatics/article-abstract/26/8/1098/205685
- Biomedical named entity recognition and linking datasets: survey and our recent development. Briefings in Bioinformatics, 2020. DOI: 10.1093/bib/bbaa054. https://academic.oup.com/bib/advance-article-abstract/doi/10.1093/bib/bbaa054/5850239
- Semantic annotation in biomedicine: the current landscape. Journal of Biomedical Semantics, 8, 2017. DOI: 10.1186/s13326-017-0153-x. https://jbiomedsem.biomedcentral.com/articles/10.1186/s13326-017-0153-x/tables/5
- Concept annotation in the CRAFT corpus（含 GENIA span 规则批评）. https://tomesphere.com/paper/PMC3476437
- Biomedical Named Entity Recognition: A Survey of Machine Learning Tools. InTechOpen. https://cdn.intechopen.com/pdfs/38735/intech-biomedical_named_entity_recognition_a_survey_of_machine_learning_tools.pdf
- MSR-NLP entry in BioNLP Shared Task 2011. https://dl.acm.org/doi/10.5555/2107691.2107716
§10.4 人工校验表
| 内容模块 | 审核者 | 审核方式 | 审核状态 |
|---|---|---|---|
| §2 医学背景（ontology 类别、ICD-11 与 SNOMED CT 映射） | 千方病案医学编辑部 | 交叉审核 | ✅ 已通过 |
| §3 数据集规格（版本矩阵、子集样本数、标注层覆盖） | 千方病案医学编辑部 | 与 Kim et al. 2003 原文及任务页交叉比对 | ✅ 已验证 |
| §4 数据结构（XML 结构、DAIMS 字段字典） | 千方病案医学编辑部 | 与 GENIA 标注方案及 BioNLP-ST 格式说明交叉比对 | ✅ 已验证 |
| §5 数据划分与泄漏分析 | 千方病案医学编辑部 | 交叉审核 + 与各届共享任务划分说明比对 | ✅ 已通过 |
| §6 代码示例与 8 个坑点 | 千方病案医学编辑部 | 逻辑审查 + 与任务数据格式及社区讨论比对 | ✅ 已通过 |
| §7 质量评估与 DAIMS 评分 | 千方病案医学编辑部 | 交叉审核 | ✅ 已通过 |
| §8 排行榜与基准数值 | 千方病案医学编辑部 | 与 BioNLP-ST 官方汇总表及论文原表交叉比对 | ✅ 已验证 |
| §9 BibTeX 引用 | 千方病案医学编辑部 | 逐条核对 DOI 与出版信息 | ✅ 已验证 |
| §C JSON-LD @graph | 千方病案医学编辑部 | Schema v3.9 字段逐项校验 | ✅ 已通过 |
§10.5 AI 生成章节标注
以下章节由 AI 生成初稿并经人工审核：§1.0 30 秒速览、§1.3 横向对比表、§1.4 版本时间轴、§3.0 版本抉择矩阵、§4.0 目录结构、§4.1 DAIMS 字段字典、§5.3 泄漏风险分析、§6.1-§6.4 代码示例、§6.5 八个坑点、§6.9 评估指标代码、§7.7 DAIMS 评估表与评分、§7.8 外部验证矩阵、§8.7 生态快照、§C JSON-LD。
§10.6 最后审核
最后一次人工审核日期：2026-09-05
页面状态：published（全部内容已完成审核并发布）
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- pubtator-central — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别 / 关系抽取 / 评测基准
- bc5cdr — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别 / 关系抽取
- biored — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别 / 关系抽取
- craft — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别 / 评测基准
- ncbi-disease — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别
- jnlpba — 共享标签：医疗NLP / 生物医学文献 / 命名实体识别
- biosses — 共享标签：医疗NLP / 生物医学文献 / 评测基准
- medhop — 共享标签：医疗NLP / 生物医学文献 / 关系抽取 / 评测基准
- radgraph — 共享标签：医疗NLP / 命名实体识别 / 关系抽取
- chemprot — 共享标签：医疗NLP / 生物医学文献 / 关系抽取
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
