Jun, 2020

COVID-19 文献的分类

PDF
TL;DR本研究分析了多个多标签文档分类模型在 LitCovid 数据集上的表现，发现在该数据集上微调过的预训练语言模型表现最佳，并探讨了其数据效率和可推广性，同时也提出了未来研究中需要解决的问题，数据和代码均在 GitHub 上可获取。
发现论文，激发创造
  • 生物医学文献的多标签分类: BioCreative VII LitCovid 赛道 COVID-19 文献主题注释概述

    该研究报告主要讨论了如何利用生物医学文本挖掘方法自动分配主题标签以便更好地理解和利用 LitCovid 数据库中的 COVID-19 相关文章，以促进疫苗和药物的研发。

    Apr, 2022

  • LitMC-BERT：基于 Transformer 的生物医学文献多标签分类及其在 COVID-19 文献管理中的应用

    该研究提出了一个基于转换器的多标签分类方法，名称为 LITMC-BERT，用于处理生物医学文献中的 LitCovid。与三种基线模型相比，LITMC-BERT 的 micro-F1 和基于样例的 F1 分别比当前最佳结果高 5％和 4％，且只需要 Binary BERT 基线的约 18％的推理时间。

    Apr, 2022

  • 利用文本挖掘技术进行 COVID-19 文献挖掘和检索

    使用 NLP 技术，如词袋、平均词向量、平均 BERT 基础模型和 Tf-Idf 加权词向量模型，结合余弦相似度算法，在 CORD-19 数据集中找出与 COVID-19 主题有关的研究文献。

    May, 2022

  • 通过文献分析导航 COVID-19 研究领域：鸟瞰全局

    利用 NLP 技术（如命名实体识别和聚类算法）对 PubMed 数据库中的 LitCovid 文献进行分析，从中筛选出与 COVID-19 相关的生物实体、症状、并发症等，帮助人们快速了解 COVID-19 相关文献的主题和研究进展。

    Aug, 2020

  • 基于 BERT 模型的 COVID-19 相关推文的虚假新闻检测和情感分析

    我们的团队 “techno” 参加了 CERIST'22 共享任务，利用自然语言处理工具和 BERT 预训练语言模型，对与 COVID-19 疫情有关的 4128 个推文进行了情感分析和 8661 个推文进行了虚假新闻检测任务，并获得了情感分析任务 0.93 的准确度和虚假新闻检测任务 0.90 的准确度。

    Apr, 2023

  • COV19IR：COVID-19 领域文献信息检索

    本研究通过使用 Transformer 神经网络，在 CORD-19 数据集上解决了 COVID-19 文献检索和问答的挑战，并展示了其在一些实例上的有效性。

    Nov, 2022

  • covLLM：针对 COVID-19 生物医学文献的大型语言模型

    开发 COVID-19 文献评估工具 (covLLM) 可以帮助医生更快速地评估和提取相关信息，该工具使用大型语言模型并使用两个特定数据集（synCovid 和 real abstracts）进行训练。

    Jun, 2023

  • COVIDHealth: 一个基于 Twitter 的数据集和基于机器学习的网络应用程序，用于分类 COVID-19 讨论

    开发了基于机器学习的网络应用程序，用于自动分类社交媒体上的 COVID-19 相关讨论，并提供了用于分类的基准结果。

    Feb, 2024

  • COVID-19 相关论文的信息检索和提取工具

    本研究的主要目标是开发一种工具，将信息检索和提取技术应用于 COVID-19 开放研究数据集（CORD-19），为研究人员提供更好的 COVID-19 相关论文搜索工具，帮助他们找到参考论文并突出显示文本中的相关实体。

    Jan, 2024

  • 使用 Bioformer 进行 COVID-19 文献的多标记主题分类

    本文介绍 Bioformer 团队在 BioCreative VII 的 track 5 中多标签主题分类任务中所采用的不同 BERT 模型 (BioBERT、PubMedBERT 和 Bioformer) 对 COVID-19 文献主题分类的表现。结果表明 Bioformer 在此任务中的表现优于 BioBERT 和 PubMedBERT，并使用 COVID-19 文章的预训练进一步提高了性能。

    Apr, 2022