Oct, 2022

医学缩写消歧的标记分类

PDF
TL;DR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。
medical abbreviationstoken classificationdisambiguationsciberttext classification
发现论文，激发创造
  • 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

  • Primer AI 的首字母缩写识别和消歧系统

    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。

    Dec, 2020

  • 俄语医学文本中非典型词汇缩写鉴别

    本研究提出了一种高效的基于机器学习的算法，旨在识别俄语文本中的缩写词，并建立了相关数据集，实验结果表明该算法的 ROC AUC 得分为 0.926，F1 得分为 0.706，与基线相比具有竞争性。

    Jun, 2022

  • 处理斯洛文尼亚传记词典中的缩写词

    本文提出了一种新方法，用于处理文字中高密度领域特定缩略语所带来的问题，将此方法应用于斯洛文尼亚传记词典的案例，并在新开发的 51 个斯洛文尼亚传记的黄金标准数据集上进行了评估，提出并展示了一种在上下文中扩展缩略语的方法。此外，该缩略语识别方法表现出显著优异的性能，特别是在识别未出现的缩略语时。

    Nov, 2022

  • 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

  • 利用任务导向资源学习临床缩写扩展词向量

    本文探讨了一种新的方法，利用任务定向资源来扩展临床笔记中的缩写词。通过利用单词嵌入技术，我们实现了 82.27％的准确度，接近于专业人员的表现。

    Apr, 2018

  • ABB-BERT：用于消歧缩写和缩略语的 BERT 模型

    本文介绍了一种基于 BERT 模型的 ABB-BERT 模型，旨在解决包含缩写和收缩词的模糊语言的拼写纠正问题。该模型可以从成千上万的选项中对它们进行排名，并可在 Wikipedia 文本上进行训练，以便在领域或个人方面实现更好的性能。

    Jul, 2022

  • MeDAL: 医学缩写消歧数据集用于自然语言理解预训练

    本研究旨在解决临床环境中许多 NLP 方法面临的公共数据集稀缺问题，提出了一个大型医学文本数据集 MeDAL，针对缩写消歧设计，用于医学领域的自然语言理解预训练。我们在几种常见架构上预训练了多个模型，并在实验中表明这种预训练可提高下游医学任务的性能和收敛速度。

    Dec, 2020

  • 生物医学语言模型对次优分词具有鲁棒性

    本研究探索了使用更准确的生物医学分词器训练生物医学语言模型是否可以提高实体表示质量，结果表明该方法并不能提高语言模型的表现。

    Jun, 2023

  • 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