EMNLPAug, 2018

医学科学论文中的序列句子分类的分层神经网络

PDF
TL;DR本文介绍一种基于层次化顺序标记网络的方法，利用上下文中的信息来帮助分类当前句子，解决了传统单句分类方法在连续多句分类中的问题，并在医学科学摘要的顺序句子分类任务中，取得了比最先进方法高出 2%-3% 的分类性能表现。
artificial neural networksequential classificationhierarchical sequential labeling networkcontextual informationmedical scientific abstracts
发现论文，激发创造
  • 医学论文摘要的联合句子分类神经网络

    本研究基于人工神经网络模型，通过结构化预测方法，综合考虑语句出现的上下文，同时分类相应的医学摘要，使得此新模型在连续的序列句子医学分类任务中达到最佳效果。

    Dec, 2016

  • 基于 LSTM 的深度神经网络，关注于句子表示，用于医学科学摘要中的序列句子分类

    医学摘要中的连续句子分类任务（SSC）使用多级深度学习模型，包括 LSTM-based 网络和分层结构，来提取句子嵌入，进而实现更好的分类性能。

    Jan, 2024

  • 层次化的注意力混合神经网络用于文档分类

    本文提出了一种基于卷积神经网络、门控递归单元和注意机制的组合方法，用于文档分类任务，并通过层次结构表示提取了更有意义、更可泛化和抽象的特征，改善了当前基于注意力机制的文档分类方法的结果。

    Jan, 2019

  • 基于循环和卷积神经网络的连续短文本分类

    本文介绍了一种基于递归神经网络和卷积神经网络的模型，可以在分类下一个短文本时利用前面的短文本，该模型在三个不同的数据集上取得了最先进的对话行为预测结果。

    Mar, 2016

  • 一个语义分层图神经网络用于文本分类

    本文研究了基于图神经网络的文本分类任务，提出了一种新的分层图神经网络模型（HieGNN），其在词级别、句子级别和文档级别分别提取相应的信息。实验结果表明与几个基准方法相比，我们的模型能够从样本中获得更多有用的分类信息。

    Sep, 2022

  • 基于上下文信息的深度神经网络语句级分类方法

    提出了一种新的句子分类方法 Context-LSTM-CNN，利用了与被分类句子相邻的句子形成的上下文和 LSTM 处理被分类句子的远距离依赖关系以及使用了基于 CNN 的短跨度特征。该方法在两个不同的数据集上始终优于以前的方法。

    Aug, 2018

  • 稀疏注意力神经网络联合训练的序列标记和分类

    提出一种利用 LSTM 网络同时学习句子级别分类任务和序列标注任务的模型，通过语义相关性对单词进行加权的稀疏注意力机制，该方法在 ATIS 和 TREC 数据集上表现优于基准模型。

    Sep, 2017

  • 命名实体识别的分层上下文表示

    本文提出了一种基于分层上下文表示的模型，通过句子级和文档级表示来提高实体识别模型中全局信息的利用，其中包括标签嵌入和注意机制以及键值内存网络，实验证明该模型在三个基准数据集上表现出优越的效果。

    Nov, 2019

  • 用于连续句子分类的预训练语言模型

    本文提出一种基于预训练语言模型 (BERT) 的方法，能够直接利用所有句子中的所有单词的上下文信息进行文档级理解的任务，且在四个数据集中取得了最先进的结果。

    Sep, 2019

  • 医学摘要的分类分节：一系列序列分类任务

    本研究基于最先进的深度学习模型（SSN-4 模型），探讨了不同的模型组件对表现和复杂性之间的平衡，同时调整单词嵌入来提高性能，并提出了一个解决第一个模型中混淆的对的第二个模型。结果表明，SSN-4 模型似乎不适用于 RCT 数据集之外。

    Jan, 2022