使用神经网络从生物医学文献中提取关系
在本研究中,采用使用深度学习方法和生物医学本体论,例如 Gene Ontology、Human Phenotype Ontology、Human Disease Ontology 和 Chemical Entities of Biological Interest,提高生物医学关系抽取方法,达到了比现有技术更高的精度。
Jan, 2020
本研究介绍比较了在构建知识图谱中用于从生物医学文献中提取关系方面的一些基于规则和基于机器学习的方法,例如:朴素贝叶斯、随机森林、DistilBERT、PubMedBERT、T5、SciFive 等,通过实验检测不同方法的适用性和鲁棒性。结果表明,基于 transformers 的模型(如 PubMedBERT)在处理小型和不平衡的数据时表现较好。其中,在平衡数据上,PubMedBERT 模型的 F1 得分最高(0.92)。
Jan, 2022
本文介绍了一种基于卷积神经网络的系统,用于提取科学文章中的关系,其基于人工神经网络进行关系提取的方法近期得到了研究。该模型在 SemEval-2017 任务 10(ScienceIE)中的科学文章关系提取(子任务 C)中排名第一。
Apr, 2017
该文介绍了一种文本挖掘框架,利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理,取得优异的实验结果,并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。
Dec, 2021
本研究提出了一种深度学习方法,利用单词级和句子级表示同时提取治疗和问题之间的关系,以用于医疗决策支持系统、安全监测和新治疗发现。通过深度学习和基于规则的模型的联合结果获得了最终的关联关系。该系统在 I2b2 2010 关系提取任务的关系类别上取得了有前途的表现。
Jun, 2018
本文旨在探讨在医疗临床记事本上提取关系的问题。作者提出使用卷积神经网络自动学习特征,减少对人工特征工程的依赖,并针对 i2b2-2010 临床关系提取挑战数据集进行了实证研究。结果表明,卷积神经网络可以是在临床文本中提取关系的良好模型,而且不需要专家们定义的高质量特征。
Jun, 2016
本研究探讨利用依存森林来缓解医疗领域最优解析树准确率相对较低的问题,并使用图神经网络来自动识别有用的语法信息。该方法在两个生物医学基准测试中表现优异,达到了文献中最先进的结果。
Nov, 2019
提出一种无需实体级别监督的实体链接和关系抽取模型,避免了流水线方法中产生的级联错误,并在两个生物医学数据集上优于最先进的实体链接和关系抽取流水线,极大地提高了系统的总体召回率。
Dec, 2019
该研究论文介绍了知识在自然语言处理中的重要性,并综述了基于深度神经网络的关系抽取技术,包括有监督和远程监督方法。此外,还讨论了该技术的一些新方法和未来研究方向。
Jan, 2021