Aug, 2022

DICE: 用生成模型实现高效数据临床事件抽取

PDF
TL;DR通过引入 DICE，一种强大而高效的、面向临床文本的、用于事件抽取的生成模型，结合领域专家提供的描述来提高在低资源情况下的性能，该模型通过学习辅助提及标识任务来定位和绑定生物医学提及，并将其作为触发器和参数候选人引入相应的任务中，结果表明 DICE 在临床领域数据不足情况下的稳健性及生成方法中包含灵活的联合训练和提及标记的益处。
clinicalevent extractiondicelow-resourcebiomedical
发现论文，激发创造
  • 通过 Hard Expectation-Maximization 迭代改进生物医学实体链接和事件提取

    本文提出了一种基于隐含变量的硬 EM 方法，联合进行生物医学实体链接和事件抽取，并通过 Genia 2011 和 BC4GO 两个基准数据集的实验结果展示了该方法在两个任务上均优于强基线模型。

    May, 2023

  • 基于中文电子病历的端到端临床事件提取

    该研究利用端到端事件提取模型提取医疗文本中的四个维度属性，并在临床发现事件挖掘任务中获得了第二名，模型效果取得了较好的表现。

    Aug, 2022

  • 条件生成实现的文档级事件论元抽取

    本文提出了一种文档级神经事件关系抽取模型，将其作为一种条件生成的过程，并使用事件模板。此外，作者构建了一个新的包含完整事件和共指注释的文档级事件抽取数据集 WikiEvents。研究结果表明，该模型在事件论证抽取方面取得了较好的性能，并展示了零样本事件提取框架的可移植性。

    Apr, 2021

  • DEGREE: 一种数据高效的基于生成的事件抽取模型

    文章提出了一种数据有效性事件提取模型 DEGREE，通过联合学习触发器和参数，利用设计的提示语义指导模型，能够在少量有标注数据的情况下进行低资源端到端的事件提取，并从生成的自然语言摘要中提取最终事件预测结果。

    Aug, 2021

  • 复杂任务的基石：领域转移下放射学报告的鲁棒性生成事件抽取

    本文介绍了一种从放射学报告中提取信息以降低标注数据需求的方法，并比较了基于 BERT 的任务特定分类层和基于 T5 的多通道文本生成模型在应用领域中的泛化能力。另外，该文提出了创新的模型推理技术，将复杂任务分解为更小的子任务块，通过多任务联合训练实现了模型单次扫描时的高效率。同时，该文所述方法利用目标领域的上下文信息，增强了模型的领域自适应能力，进而使得在临床应用中更加便捷。

    Jun, 2023

  • 超越单事件提取：迈向高效的文档级多事件论证提取

    提出了一种多事件论证提取模型 DEEIA (Dependency-guided Encoding and Event-specific Information Aggregation)，该模型能够同时从文档中提取所有事件的论证，并能够在四个公共数据集上达到最新的最佳性能，并显著节省推理时间。

    May, 2024

  • 匹配联合学习：行业级生物医学事件抽取

    基于 BERT 预训练模型，我们提出了一种基于 n-ary 关系抽取方法来构建 Binding 事件的方法，以捕捉事件上下文和参与者的语义信息。实验结果表明，我们的方法在 BioNLP 共享任务的 GE11 和 GE13 语料库上分别达到了 63.14% 和 59.40% 的 F1 得分，表明通过显著提高 Binding 事件的性能，整体性能超过了传统的基于管道的事件抽取方法甚至超过了目前的联合学习方法。

    Mar, 2024

  • 使用生成对抗网络从在线文本中提取开放事件

    本文提出了一个基于对抗生成网络的事件提取模型，可以对长文本进行结构化表示，实验结果显示该模型在三个数据集上的表现优于基线模型，尤其在新闻文章数据集上提高了 15% 的 F - 度量值。

    Aug, 2019

  • 从多个来源提取事件：走向跨文档事件提取范式

    通过提出跨文档事件抽取（CDEE）任务，综合多个文档中的事件信息，本论文解决了传统文档级事件抽取的局限性，并构建了一个新的信息抽取研究线路。

    Jun, 2024

  • MC-DRE：多方面综合交叉用于药物事件 / 实体提取

    提出了一种用于药物实体 / 事件检测的新型多方面交叉整合框架，通过捕捉和对齐来自药物相关文档的不同上下文 / 语言 / 知识属性，包括药物事件语义、句法结构和医学领域术语。模型在广泛实验中表现优越，明显超过了十二种最新的先进模型。

    Aug, 2023