COVID-19 文献的分类
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
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
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
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
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
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
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
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
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
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