面向生物医学和 COVID-19 复杂问答的查询焦点抽取式摘要
Macquarie 大学为 2019BioASQ 挑战赛的任务 B 阶段 B,提出了一个面向生物医学问题回答的查询文本多文档摘要技术,探索了基于深度学习架构和简单的策略梯度架构的回归方法,还实验了使用和不使用强化学习的分类方法,此外,还通过各种 ROUGE 度量与 BioASQ 人类评估得分之间的相关性分析。
Sep, 2019
本文概述了 BioASQ 挑战赛的第十一届比赛,并介绍了挑战赛的主要任务和研究领域,包括生物医学语义索引和问题回答,以及医学实践中关键的临床内容和医疗程序的语义标注。本届比赛总共收到了来自 28 支竞争队伍提交的 150 多个系统的结果,大部分参赛系统表现竞争力强,表明该领域的技术正在不断进步。
Jul, 2023
本文概述了第十届 BioASQ 挑战赛,并介绍了其中的三个任务和一个名为 DisTEMIST 的新任务。在此次挑战中,来自 38 个团队的超过 170 个系统参与,大多数系统表现出色,说明在生物医学语义索引和问答领域的技术不断发展。
Oct, 2022
本文介绍了澳大利亚麦考瑞大学在 BioASQ 6b,B 阶段中的贡献,探讨了多文档摘要中的深度学习和强化学习方法。最佳结果使用了一个基于深度学习模型的回归框架,该模型使用了基于 LSTM 链输出的特征以及与查询的相似度和句子位置有关的特征。同时,强化学习方法也被证明可行,通过 REINFORCE 算法训练全局策略,该策略由使用包含候选句子、问题和上下文的 tf.idf 特征编码的神经网络来实现。
Sep, 2018
本文描述了我们在 2017 年 BioASQ 挑战赛中的参与,并重点关注生物医学问题回答技术。我们使用了一种抽取式 QA 模型,使用生物医学词向量来扩展 FastQA,并将其应用于提取输入文本片段的子字符串输出。我们将模型在大规模开放域 QA 数据集 SQuAD 上进行预训练,然后在 BioASQ 训练集上进行微调参数。通过我们的方法,我们在事实问题上实现了最先进的结果,并在列表问题上实现了有竞争力的结果。
Jun, 2017
本文提出了一种基于多任务学习的科学问题验证方法,该方法结合了信息概括、布尔问答、提取式问题回答和语义理解技术。该方法在欧洲 PMC 的 300 万篇医学和健康领域 OA 文章上,在 BERT 和 RoBERTa 问答模型的实验中,实现了 4%的平均误差率和 95.6%的 F1 分数。
Apr, 2022
本研究采用知识综合、段落检索、三元组检索和复杂问答等方法,构建一个可扩展的解决方案,以有效地从大规模研究文档中提取和探索复杂信息,以解决医疗保健行业面临的大量非结构化数据的问题,并在 COVID-19 数据集上进行了定性评估以证明其有效性。
Feb, 2023
本研究介绍了 AUEB 团队在 BioASQ 6 文件和片段检索任务中的提交结果,提出了对深度学习结构的创新扩展,这些结构仅对查询文本和候选文档 / 片段进行操作,并且在挑战的所有批次中均得分最高或接近最高,凸显了深度学习在此类任务中的有效性。
Sep, 2018
本文研究针对真实世界的消费者健康问题的抽象总结任务,开发了一个抽象问题总结模型,利用医疗实体的语义识别,借此提高了问题聚焦的涵盖范围和生成信息摘要的能力。同时,我们还将问题类型信息融入到解码器的输入中,实现了问题类型驱动的摘要生成,并在 MeQSum 基准语料库上进行了评估,该框架超过了最先进方法 10.2 ROUGE-L 分,并进行手动评估以评估所生成的摘要的正确性。
Jun, 2021
BayeSum 是一种基于贝叶斯模型的用于句子提取的模型,可以利用多个相关文档来增强查询词信息,处理短查询不足问题,并得到了最先进的结果,在信息检索框架中可以被理解为一种验证的查询扩展技术。
Jul, 2009