ACLJun, 2016

Brundlefly 在 SemEval-2016 任务 12 中：循环神经网络 VS 联合推断用于临床时间信息提取

PDF
TL;DR我们提交了两个系统参加 SemEval-2016 任务 12：临床 TempEval 挑战赛，我们在第 1 阶段参加，识别了临床笔记中的时间和事件表达式的文本跨度，第 2 阶段中，我们预测了事件与其父文档创建时间之间的关系。在时间实体提取方面，我们发现使用基于结构化预测的联合推断方法胜过仅包含针对大量临床文件集训练的词嵌入的普通递归神经网络。对于文档创建时间关系，我们发现将日期规范化和远程监督规则相结合，以预测事件和时间表达式上的关系，可以提高分类功效，尽管收益有限，可能是由于训练数据规模较小所致。
clinical notesstructured predictionrecurrent neural networktemporal entity extractiondistant supervision rules
发现论文，激发创造
  • Sebis 参加 SemEval-2023 第 7 项任务：针对临床试验报告的自然语言推理和证据检索的联合系统

    本研究旨在研究开发一个基于 NLP 技术，应用于临床试验数据中的证据检索和自然语言推理任务的系统。该研究介绍了两个系统，一个是将两个任务分别建模的 Pipeline 系统，另一个是同时学习两个任务并采用共享表示和多任务学习方法的 Joint 系统。最终系统采用集成学习方法来结合这两个系统的输出，并提供了结果分析。

    Apr, 2023

  • 事件时间关系抽取的深度结构神经网络

    本文提出了一种新的深度结构化学习框架，用于事件时间关系提取，其结构包括递归神经网络和结构化支持向量机，通过联合训练两部分模型，采用预训练上下文嵌入，证明了提出的模型的性能明显优于现有的方法，并提供了详尽的削减研究。

    Sep, 2019

  • ETH-DS3Lab 于 SemEval-2018 任务 7 中的表现：有效地结合循环和卷积神经网络进行关系分类和提取

    本文提出了基于卷积神经网络和循环神经网络集成的关系分类和抽取系统，在 SemEval 2018 任务 7 的 4 个子任务中中有 3 个排名第一。我们提供了设计选择背后最相关特征的详细解释和论据，并分析了它们的重要性。

    Apr, 2018

  • 共享表示和结构预测的联合事件和时间关系抽取

    本文提出一种联合事件 - 时间关系抽取模型，借助于共享表示学习和结构化预测来避免传统管道系统中的错误传递，并在两个基准数据集上将端到端 F1 分别提高了 10％和 6.8％。

    Sep, 2019

  • 领域知识增强的结构化神经网络，用于端到端事件时间关系提取

    本文提出了一种基于概率领域知识构建分布式约束的框架，并且通过 Lagrangian Relaxation 解决约束的推理问题，用于端到端的事件时间关系提取任务，实验结果显示我们的框架能够在新闻和临床领域的两个广泛使用的数据集上显著地提高基线的神经网络模型。

    Sep, 2020

  • 电子健康记录中的医疗事件检测的双向循环神经网络

    本文研究了使用循环神经网络框架在电子病历中提取医疗事件和属性的序列标注任务，实验结果表明其优于传统的有监督机器学习模型，可应用于药物监管等医疗信息学领域。

    Jun, 2016

  • 基于循环神经网络的关系分类

    本文提出了一种基于循环神经网络的简单框架，并将其与基于卷积神经网络的模型进行比较。该模型在处理句子关系分类问题时具有学习长距离依赖关系模式的优点，并在使用 MIMLRE 数据集的实验中表现出优异的性能。

    Aug, 2015

  • 基于卷积神经网络的临床信息提取

    本研究利用深度神经网络实现一个临床信息提取工具，该工具可以从原始的临床笔记和病理报告中标注事件跨度及其属性，并通过使用时间卷积神经网络和多层感知器来提高性能。

    Mar, 2016

  • 一体化建模：实体和事件的神经联合建模

    本篇论文提出了一种新的基于深度学习共享隐藏表示的模型，以联合预测实体提及、事件触发和参数，并进行实验验证表明，该方法具有最先进的事件提取性能。

    Dec, 2018

  • 事件关系抽取的联合约束学习

    提出了一种联合约束学习框架来对事件 - 事件关系进行建模，这种方法有效弥补了联合标记数据的缺失，并在时间关系提取和事件层级构建方面优于现有的方法，同时也可在外部语料库上诱导事件复合体的有效性。

    Oct, 2020