COLINGAug, 2022

通过剪枝因果关系的语义依存森林支持医学关系提取

PDF
TL;DR本论文提出了一种基于因果解释理论，从医学文本中联合建模语义和句法信息，生成包含语义嵌入 1-best 依赖树的依赖森林，并使用任务特定的因果解释器修剪依赖森林，进而学习下游任务的相应表示的方法。实验证明，与基准医学数据集的各种比较表明了我们模型的有效性。
medical relation extractionsyntactic informationsemantic informationcausal explanation theorygraph convolutional network
发现论文，激发创造
  • 利用依存森林进行神经医学关系提取

    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

  • 跨模态检索和综合的多模式关系抽取

    本研究提出了一种多模态关系抽取方法，通过检索对象、句子和整个图像的文本和视觉证据，综合考虑了同一和不同模态之间的信息，从而比现有的方法更准确地识别语义关系并显著提高了效果。

    May, 2023

  • 关系抽取在临床文档理解中的应用

    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

  • 基于依存树模式从医学文献中提取信息的因果关系

    该研究提出了一种用于从医学文献中提取因果关系实体的无监督方法名称为 PatternCausality，并在 PubMed 文章中的语句上完成的实验验证了该方法相比于现有方法在提取因果关系实体时具有更高的召回率和精度。

    Mar, 2022

  • 一种用深度学习实现医疗关系抽取的混合方法

    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

  • 基于边缘增强图对齐网络与词对关系标记的联合多模态实体关系抽取

    本研究提出一种新的联合多模态实体关系抽取任务方法，结合了多模态命名实体识别和多模态关系提取的相互作用，使用增强边缘对齐的图形对齐网络和词对关系标记来增强该任务，它能够发现实体 - 实体关系和对象 - 对象关系之间的关联性。

    Nov, 2022

  • 高效的依赖引导命名实体识别

    该论文探讨了如何更好地利用依存树传达的结构化信息来提高实体识别的性能，新提出的基于依存树指导的实体识别模型在相对较短的运行时间内表现出与传统半 - Markov 条件随机场模型同等的竞争力。

    Oct, 2018

  • 使用显式上下文条件的关系抽取

    该研究提出了计算上下文标记间隐式关系并与一阶关系得分相结合，以改进关系抽取模型性能的方法。在两个生物医学数据集上得到了最优结果。

    Feb, 2019

  • 远程监督的词形句法模型用于关系抽取

    信息抽取任务涉及将非结构化文本内容自动转换为结构化数据。本文提出了一种从文本中提取和分类无限制关系集的方法，它基于远程监督方法获取的形态 - 句法抽取模式，并创建句法和语义索引来提取和分类候选图。我们在构建在 Wikidata 和 Wikipedia 上的六个数据集上评估了我们的方法。评估结果显示，我们的方法可以实现高达 0.85 的精确度得分，但召回率和 F1 得分较低。我们的方法可以快速构建基于规则的信息抽取系统，并构建注释数据集以训练基于机器学习和深度学习的分类器。

    Jan, 2024

  • 基于语义增强机制的关系抽取模型

    通过结合语义增强机制，本论文提出的 CasAug 模型能够解决关系抽取中的三元组重叠问题，提高关系抽取效果，并能更好地处理重叠问题和提取多个关系。

    Nov, 2023