AAAIDec, 2020

Primer AI 的首字母缩写识别和消歧系统

PDF
TL;DR该研究介绍了新的缩略语识别和消歧方法，并提出了辅助数据集，为科学文档理解的进一步发展做出了贡献。
acronym identificationacronym disambiguationmachine learningdistantly-supervised datasetsscientific document understanding
发现论文，激发创造
  • 科技文档理解中的缩略语识别和消歧共享任务

    本文回顾了两个针对科学文献中缩略语识别和消歧的共享任务以及各自的参与系统。

    Dec, 2020

  • 这个缩写是什么意思？介绍一个用于缩写识别和消歧的新数据集

    本文提出了一个针对科学领域的人工智能和缩写消歧的数据集，证明了现有的最先进模型在这些数据集上的性能远远不如人类水平，并提出了一种利用句子的句法结构来扩展句中含义不明确的缩写的深度学习模型，该深度学习模型在新的数据集上表现出色，为未来研究提供了强有力的基础。

    Oct, 2020

  • 利用领域不可知和特定领域知识进行首字母缩写消歧

    本研究提出一种 Hierarchical Dual-path BERT 方法，该方法利用 RoBERTa 和 SciBERT 预训练模型来分别编码通用精细和高级具体表示，用于缩写消歧。实验结果表明，该方法在各种评估指标上均优于现有技术，特别是其宏 F1 达到了 93.73％。

    Jul, 2021

  • 基于词嵌入的无监督缩略语消歧

    本文提出了一种完全无监督的缩写消岐方法（称为 UAD），它通过从非结构化文本中获取缩写定义，并学习用于表示其不同含义的上下文向量，进而提高其消岐性能，并支持多个含义的成千上万个缩写，是一种高度适用于实际部署的模型。经过充分的实验评估，UAD 在来自不同领域的大型真实数据集上取得了高性能，并超过了基线和最先进方法。

    Apr, 2019

  • 首字母缩写消歧：领域独立方法

    本文提出了一种可通用的缩写歧义消除系统，使用来自 Wikipedia 和 AcronymsFinder.com 的方法获取缩写的所有可能扩展，并使用 Doc2Vec 技术对这些扩展进行打分，最终在一个数据集上取得了 90.9％的准确率。

    Nov, 2017

  • 基于 BERT 的多训练策略缩写消歧

    提出一种二元分类模型，结合 BERT 和多种训练策略进行缩写消歧识别，实验证明模型的有效性，在 SDU@AAAI-21 共享任务 2 中排名第一。

    Feb, 2021

  • 一种用于医学术语缩写消歧的神经主题注意力模型

    提出了一种少样本学习方法，使用神经主题 - 注意力模型来改进具有主题信息的上下文化句子表示，以在短量非平衡训练数据集上显著提高医学术语缩略语消歧的性能，尤其是针对罕见意义，已有的稀缺注释数据集不准确和缺失，需要进行修正和补充。

    Oct, 2019

  • 使用 Transformer 进行英文缩略词提取的集成方法

    使用多种不同方法（上下文语言模型和卷积神经网络）提取缩写及其相应的长格式，通过向官方训练数据集添加额外的训练数据样本以帮助提高任务性能，在测试数据上实现了良好的宏 F1 分数。

    Jan, 2022

  • 多语言首字母缩略词抽取的领域自适应预训练

    本论文介绍了我们参加多语言首字母缩略词提取共享任务 SDU@AAAI-22 的发现。我们采用双向长短时记忆网络链条件随机场（BiLSTM-CRF）和多语言 XLM-RoBERTa 嵌入来处理多语言首字母缩略词提取。我们预训练了 XLM-RoBERTa 模型，以进一步适应共享任务的领域。我们的系统（团队：SMR-NLP）在所有语言的首字母缩略词提取方面都取得了竞争性的性能表现。

    Jun, 2022

  • 医学缩写消歧的标记分类

    本研究旨在探究利用 token 分類方法來消除醫學縮寫的歧義性。使用公開數據集比較多種預先訓練的文本分類算法，其中以 SciBERT 模型效果最佳，並發現對預測結果進行後處理可以有效提高文本分類算法對醫學縮寫消除歧義性的準確性。

    Oct, 2022